Прогнозування фізичної активності та якості життя працездатного населення

Svitlana Indyka; Natalia Bielikova; Аnatolіi Tsos; Iaroslav Pasternak

doi:10.29038/2220-7481-2025-01-26-35

Автор(и)

Svitlana Indyka Волинський національний університет імені Лесі Українки
Natalia Bielikova Волинський національний університет імені Лесі Українки
Аnatolіi Tsos Волинський національний університет імені Лесі Українки
Iaroslav Pasternak Волинський національний університет імені Лесі Українки

DOI:

https://doi.org/10.29038/2220-7481-2025-01-26-35

Ключові слова:

працездатне населення, якість життя, фізична активність, методи машинного навчання

Анотація

Актуальність. Дослідження якості життя працездатного населення є критично важливим для забезпечення здоров’я, добробуту та ефективної відбудови держави в післявоєнний час. Використання алгоритмів машинного навчання поряд із традиційними статистичними методами для створення прогнозних моделей є актуальним, оскільки ці методи здатні виявляти складні закономірності у великих масивах даних та передбачати можливі зміни під впливом різних факторів. Це важливо для розробки індивідуалізованих чи групових рекомендацій. Метою дослідження було схарактеризувати процес прогнозування фізичної активності і якості життя працездатного населення за допомогою методів машинного навчання й створити відповідну комп’ютерну програму. Методи дослідження. У дослідженні взяли участь 900 осіб різних соціальних груп працездатного віку (від 18 до 64 років), серед яких – 556 жінок і 334 чоловіків. Методологія дослідження передбачала кілька етапів збору та обробки даних для оцінки фізичної й психологічної компонент якості життя. Проведено опитування учасників із зазначенням соціально-демографічних даних; використано міжнародні стандартизовані опитувальники, такі як IPAQ, шкала SF-36, опитувальник Рона Кесслера. Дані приведено до єдиного стандарту для подальшого використання в алгоритмах машинного навчання. Результати дослідження та висновки. Виконання процесуальних дій щодо моделювання та прогнозування якості життя працездатного населення дало змогу створити комп’ютерну програму «Прогнозування якості життя працездатного населення». Застосування цієї програми уможливило передбачення показників загального фізичного й психічного компонентів якості життя цієї групи. Особливу увагу приділено виявленню ключових факторів, що впливали на показники загального фізичного компонента якості життя, серед яких – вік, рівень освіти, сімейний статус, рівень дистресу. Також проведено моніторинг фізичного та психологічного стану працездатного населення в умовах війни для розробки ефективних стратегій поліпшення якості життя цього контингенту.

Посилання

Shuliakova, M., Ratsyborynska-Poliakova, N. (2024). Vplyv khronichnoho stresu na orhanizm liudyny ta rol psykhoedukatsii u reduktsii yoho psykhichnykh proiaviv [The impact of chronic stress on the human body and the role of psychoeducation in reducing its mental manifestations]. Psychosomatic Medicine and General Practice, 9(1). https://doi.org/10.26766/pmgp.v9i1.490 (in Ukrainian).

Yushchuk, H. L. (2024). Features of the laboratory status of COVID-19 patients depending on age and comorbidities (Doctoral dissertation, 091 – Biology). Lutsk, 155 (in Ukrainian).

Artasanchez, A., & Joshi, P. (2020). Artificial Intelligence with Python (Second Edition). Birmingham: Packt Publishing, 618 (in English).

Bjerre, D. S. (2022). Tree-based machine learning methods for modeling and forecasting mortality. ASTIN Bulletin: The Journal of the IAA, 52(3), 765787. https://doi.org/10.1017/asb.2022.11 (in English).

Delpino, F. M., Costa, Â. K., Farias, S. R., Chiavegatto Filho, A. D. P., Arcêncio, R. A., & Nunes, B. P. (2022). Machine learning for predicting chronic diseases: A systematic review. Public Health, 205, 14–25. https://doi.org/10.1016/j.puhe.2022.01.007 (in English).

Galasso, S., Baptista, R., Molinara, M., Pizzocaro, S., Calabrò, R. S., De Nunzio, A. M. (2023). Predicting physical activity levels from kinematic gait data using machine learning techniques. Engineering Applications of Artificial Intelligence, 123(Part C), 106487. https://doi.org/10.1016/j.engappai.2023.106487 (in English).

Grekousis, G., Feng, Z., Marakakis, I., Lu, Y., & Wang, R. (2022). Ranking the importance of demographic, socioeconomic, and underlying health factors on US COVID-19 deaths: A geographical random forest approach. Health Place, 74, 102744. https://doi.org/10.1016/j.healthplace.2022.102744 (in English).

Hainaut, D. (2018). A neural-network analyzer for mortality forecast. ASTIN Bulletin, 48(2), 481508. https://doi.org/10.1017/asb.2017.45 (in English).

Jannani, A., Sael, N., Benabbou, F. (2021). Predicting quality of life using machine learning: Case of World Happiness Index. In 2021 4th International Symposium on Advanced Electrical and Communication Technologies (ISAECT), 16. https://doi.org/10.1109/ISAECT53699.2021.9668429 (in English).

Khan, A. E., Hasan, M. J., Anjum, H., Mohammed, N., Momen, S. (2024). Predicting life satisfaction using machine learning and explainable AI. Heliyon, 10(10), e31158. https://doi.org/10.1016/j.heliyon.2024.e31158 (in English).

Kim, J., Jeong, K., Lee, S., et al. (2024). Machine-learning model predicting quality of life using multifaceted lifestyles in middle-aged South Korean adults: A cross-sectional study. BMC Public Health, 24, 159. https://doi.org/10.1186/s12889-023-17457-y (in English).

Massam, B. H. (2002). Quality of life: public planning and private living. Progress in Planning, 3(58), 141– 227 (in English).

Prati, G. (2022). Correlates of quality of life, happiness and life satisfaction among European adults older than 50 years: A machine-learning approach. Archives of Gerontology and Geriatrics, 103, 104791. https://doi.org/ 10.1016/j.archger.2022.104791 (in English).

Smith, P. F., Ganesh, S., & Liu, P. (2013). A comparison of random forest regression and multiple linear regression for prediction in neuroscience. Journal of Neuroscience Methods, 220(1), 8591. https://doi.org/10. 1016/j.jneumeth.2013.08.024. (in English).

Throner, V., Coenen, M., Schuh, A., Jung-Sievers, C., Kus, S. (2023). A multimodal prevention program for stress reduction. Dtsch Arztebl Int., 120(43), 721728. https://doi.org/10.3238/arztebl.m2023.0179 (in English).

Tyulepberdinova, G., Mansurova, M., Sarsembayeva, T., Issabayeva, S., & Issabayeva, D. (2024). The physical, social, and mental conditions of machine learning in student health evaluation. Journal of Computer Assisted Learning, 40(5), 2020–2030. https://doi.org/10.1111/jcal.12999 (in English).

URL: https://scikit-learn.org/dev/modules/generated/sklearn.ensemble.RandomForestRegressor.html

URL: https://www.python.org/

URL: https://pandas.pydata.org/

URL: https://pypi.org/project/joblib/

URL: https://matplotlib.org/