Применение нейронных сетей в медико-психологическом сопровождении военнослужащих: ретроспективное исследование

ЦЕЛЬ. Оценить возможности применения нейронных сетей в медико-психологическом сопровождении военнослужащих.

МАТЕРИАЛЫ И МЕТОДЫ. Обследованы 1822 курсанта Военного учебно-научного центра Военно-Морского Флота «Военно-морская академия имени Адмирала Флота Советского Союза Н. Г. Кузнецова» в возрасте от 18 до 27 лет. Обследованные разделены на 2 группы: «Норма» (n = 1507) и «Дезадаптация» (n = 315). Обследование проведено с применением многофакторного личностного опросника «Адаптивность» и методики диагностики интеллектуального развития КР-3-85. Статистическую обработку выполняли с применением пакета программ Stat Soft Statistica 10.0. Осуществляли проверку на нормальность показателей с помощью критерия Колмогорова–Смирнова. Сравнительный анализ показателей с нормальным распределением оценивали с помощью t-критерия Стьюдента. Проанализирована ранговая корреляция Спирмена с целью проверки данных на мультиколлинеарность. Математическое моделирование проведено с использованием нейронных сетей. Эффективность модели оценивали по уровню чувствительности и специфичности.

РЕЗУЛЬТАТЫ. Курсанты с дезадаптацией характеризуются более низкими показателями личностного адаптационного потенциала, моральной нормативности, результатами тестов: память на фигуры, установление закономерности. Нейронная сеть является мощным инструментом систематизации, позволяет достоверно классифицировать курсантов с социально-психологической дезадаптацией. При этом нейронная сеть характеризуется высокой специфичностью.

ОБСУЖДЕНИЕ. Полученные результаты подтверждают выводы других ученых, что нейронные сети способны с высокой точностью классифицировать различные состояния. Определенным недостатком нейронной сети является отсутствие полной информации у исследователя о выявленных связях и закономерностях.

ЗАКЛЮЧЕНИЕ. Применение нейронных сетей повысит эффективность мероприятий медико-психологического сопровождения курсантов.

морская медицина, нейронная сеть, медико-психологическое сопровождение, военнослужащий, курсант, дезадаптация, прогноз

1. Дегтяренко К. А. Искусственный интеллект в медицине. Обзор 21 международной конференции по искусственному интеллекту в медицине // Азия, Америка и Африка: история и современность. 2023. Т. 2, № 3 (4). С. 27–42 [Degtyarenko K. A. Artificial intelligence in medicine. Review of the 21st international conference on artificial intelligence in medicine. Asia, America and Africa: history and modernity, 2023, T. 2, No. 3 (4), pp. 27–42 (In Russ.)].

2. Мосягин И. Г. Морская медицина // Реестр новых научных направлений. М.: 2018. С. 162–163 [Mosyagin I. G. Marine medicine. Register of new scientific directions. Moscow: 2018, pp. 162–163 (In Russ.)].

3. Лысова М. Е., Кузнецов М. Е. Нейронные сети в медицине. Автоматизация при помощи искусственного интеллекта // Достижения науки и технологий. Красноярск. 2023. С. 581–586 [Lysova M. E., Kuznetsov M. E. Neural networks in medicine. Automation using artificial intelligence. Achievements of science and technology. Krasnoyarsk, 2023, pp. 581–586 (In Russ.)].

4. Мельникова Е. В. Глубокое машинное обучение в оптимизации научно-исследовательской деятельности // Научно-техническая информация. Серия 1: Организация и методика информационной работы. 2023. № 2. С. 8–13 [Melnikova E. V. Deep machine learning in optimization of research activities. Scientific and technical information. Series 1: Organization and methodology of information work, 2023, No. 2, pp. 8–13 (In Russ.)].

5. Закревский Ю. Н., Балахнов Д. О., Лемешко П. Н., Иваницкая О. А., Михайлова Е. В. Алгоритм диагностики и лечения хронической крапивницы у военнослужащих различных категорий // Военно-медицинский журнал. 2022. Т. 343, № 1. С. 63–66 [Zakrevsky Yu. N., Balakhnov D. O., Lemeshko P. N., Ivanitskaya O. A., Mikhailova E. V. Algorithm for the diagnosis and treatment of chronic urticaria in military personnel of various categories. Military Medical Journal. 2022, T. 343, No. 1, P. 63–66 (In Russ.)].

6. Закревский Ю. Н., Архангельский Д. А., Балахнов Д. О., Лемешко П. Н. Алгоритм диагностики бронхиальной астмы у граждан призывного возраста // Военно-медицинский журнал. 2019. Т. 340, № 3. С. 36–43 [Zakrevsky Yu. N., Arkhangelsky D. A., Balakhnov D. O., Lemeshko P. N. Algorithm for diagnosing bronchial asthma in citizens of military age. Military Medical Journal, 2019, T. 340, No. 3, P. 36–43 (In Russ.)].

7. Мосягин И. Г., Воронов В. В., Кузьменко А. В., Литвяков А. П. Концептуальные основы создания автоматизированной системы управления рисками здоровью членов экипажей проектируемых кораблей ВМФ // Морской сборник. 2021. № 7 (2092). С. 74–77 [Mosyagin I.G., Voronov V.V., Kuzmenko A.V., Litvyakov A.P. Conceptual basis for creating an automated health risk management system for crew members of designed Navy ships. Marine collection, 2021, No. 7 (2092), P. 74–77 (In Russ.)].

8. Мясников А. А., Зверев Д. П. Перспективы развития водолазной медицины в Вооруженных Силах Российской Федерации // 3-й Азиатско-тихоокеанский конгресс по военной медицине. Материалы конгресса. 2016. С. 42 [Myasnikov A. A., Zverev D. P. Prospects for the development of diving medicine in the Armed Forces of the Russian Federation. 3rd Asian-Pacific Congress on Military Medicine. Congress materials. 2016, P. 42 (In Russ.)].

9. Щукина Н. А. Формирование внешнего критерия для машинного обучения на основе медико-биологических данных // Машинное обучение в исследованиях медико-биологических и социально-экономических данных. Санкт-Петербург. 2020. С. 236–282 [Shchukina N. A. Formation of an external criterion for machine learning based on medical and biological data. Machine learning in the research of medical, biological and socio-economic data. Saint Petersburg, 2020, P. 236–282 (In Russ.)].

10. Баурова Н. Н., Дьяконов И. Ф., Лыткин В. М., Марченко А. А., Овчинников Б. В., Шамрей В. К. Медицинская психология. Санкт-Петербург. 2019. 223 с. [Baurova N. N., Dyakonov I. F., Lytkin V. M., Marchenko A. A., Ovchinnikov B. V., Shamrey V. K. Medical psychology. St. Petersburg, 2019, 223 p. (In Russ.)].

11. Ясницкий Л. Н. Интеллектуальные системы. М.: Лаборатория знаний, 2016. 221 с. [Yasnitsky L. N. Intelligent systems. Moscow: Knowledge Laboratory, 2016, 221 p. (In Russ.)].

12. Корзунин В. А., Церфус Д. Н. Актуальные вопросы психофизиологического сопровождения адаптации обучающихся к условиям образовательной среды в вузах силовых ведомств // Проблемы управления рисками в техносфере. 2015. № 3 (35). С. 149–156 [Korzunin V. A., Tserfus D. N. Current issues of psychophysiological support for adaptation of students to the conditions of the educational environment in universities of law enforcement agencies. Problems of risk management in the technosphere, 2015, No. 3 (35), P. 149–156 (In Russ.)].

13. Баурова Н. Н., Рудой И. С. Прогностическая модель развития невротических расстройств у курсантов военных вузов // Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. 2012. № 3. С. 76–78 [Baurova N. N., Rudoy I. S. Predictive model of the development of neurotic disorders among cadets of military universities. Medical-biological and social-psychological problems of safety in emergency situations, 2012, No. 3, P. 76–78 (In Russ.)].

14. Смирнова М. В. Компьютерная психологическая диагностика при оценке управленческого потенциала сотрудников организаций // Вопросы психологии экстремальных ситуаций. 2018. № 4. С. 37–43 [Smirnova M. V. Computer psychological diagnostics in assessing the management potential of employees of organizations. Questions of psychology of extreme situations. 2018, No. 4, P. 37–43 (In Russ.)].