Analysis of health care system development in the regions amidst the economic inclusiveness and social determinants of health

Abstract

У статті запропоновано використання кластерного аналізу за допомогою самоорганізованих карт Кохонена на основі нейронної мережі для оцінки рівня здорового розвитку регіонів України. При аналізі враховуються економічні моделі та соціальні детермінанти здоров'я. Автори визначають сильні та слабкі сторони кожного регіону та оцінюють ефективність медичного обслуговування. Описано алгоритм, виокремлені етапи оцінювання та запропоновані показники за окремими групами детермінант. Виокремлено п'ять кластерів регіонів. Одержані множини регіонів дали можливість виявити внутрішні закономірності розвитку регіонів та зрозуміти інформативність обраних соціально-економічних індикаторів, пов’язаних з системою охорони здоров’я. У ході аналізу отримані п’ять кластерів регіонів. У кожній групі регіони характеризуються близьким рівнем розвитку системи забезпечення здоров’я. До першого кластеру ввійшли регіони, жителі яких схильні до переоцінки стану здоров’я. Населення в цих регіонах досить фізично активне порівняно з іншими регіонами. Плюсом цього кластеру є слідкування за раціоном харчування серед населення, а за обсягами споживання цукру цей кластер негативно лідирує серед інших. До другого кластеру ввійшли регіони система забезпечення здоров’я яких характеризується високим рівнем показників інформаційної та поведінкової складової. За іншими показниками регіони цієї групи знаходяться на середньому рівні. Третій кластер – це відчутно фінансово забезпечені регіони. Проте практично за всіма іншими показниками ці регіони знаходяться на середньому та рівні нижче середнього. Четвертий кластер включає очевидні регіони-лідери, а п’ятий – регіони-аутсайдери. Конкретне попадання регіонів в кожний окремий кластер без дублювання описане детально в тексті статті. Відмітною перевагою на користь запропонованого авторами підходу є те, що пропоновану модель оцінювання можливо швидко адаптувати до нових даних, виявити нові закономірності та графічно представити змінені результати.

В статье предложено использование кластерного анализа с помощью самоорганизованных карт Кохонена на основе нейронной сети для оценки уровня здорового развития регионов Украины. При анализе учитываются экономические модели и социальные детерминанты здоровья. Авторы определяют сильные и слабые стороны каждого региона и оценивают эффективность медицинского обслуживания. Описаны алгоритм, выделены этапы оценки и предложены показатели по отдельным группам детерминант. Выделено пять кластеров регионов. Полученное множество регионов позволило выявить внутренние закономерности развития регионов и понять информативность избранных социально-экономических индикаторов, связанных с системой здравоохранения. В ходе анализа получены пять кластеров регионов. В каждой группе регионы характеризуются близким уровнем развития системы обеспечения здоровья. В первый кластер вошли регионы, жители которых склонны к переоценке состояния здоровья. Население в этих регионах достаточно физически активно по сравнению с другими регионами. Плюсом этого кластера является слежение за рационом питания среди населения, а по объему потребления сахара этот кластер негативно лидирует среди других. Во второй кластер вошли регионы система обеспечения здоровья которых характеризуется высоким уровнем показателей информационной и поведенческой составляющей. По другим показателям регионы этой группы находятся на среднем уровне. Третий кластер – это финансово обеспеченные регионы. Однако практически по всем остальным показателям эти регионы находятся на среднем и уровне ниже среднего. Четвертый кластер включает в себя очевидные регионы-лидеры, а пятый – регионы-аутсайдеры. Конкретное попадание регионов в каждый отдельный кластер без дублирования подробно описано в тексте статьи. Отличительным преимуществом в пользу предлагаемого авторами подхода является то, что предлагаемую модель оценивания можно быстро адаптировать к новым данным, выявить новые закономерности и представить графически измененные результаты.

The article proposes a neural network-based Kohonen's self-organized maps cluster analysis of Ukraine’s health care system at regional level. At analysis, economic patterns and social determinants of health are considered. The research aims to estimate regional security at the public health level. For that, behavioral and social patterns determinearegions’ potential resistance to public health risks. The authors identify the strengths and weaknesses of each region and assess the effectiveness of health care as it is provided.Interestingly, the clustering algorithm fits multidimensional space design into spaces with a lower dimension.Additionally, similar vectors in the source space appear closely on the resulting map. Thealgorithm design,stages of evaluation, and input groups of indicators by components are described. The data set reflects the 22 regions of Ukraine. The rationing of indicators is calculated to make the data comparable. Data are checked for quality, sparsity, duplicates, and inconsistencies. Five clusters are generated based on development of patterns within regions as well asthe information value of healthcare-related socio-economic indicators. The residents of regions that belong to the first cluster systematically assess their health. Demographically, these residents are more physically active comparedwith residents in clusters of other regions. Findings also indicate that residents in the first cluster monitor their nutrition. The second cluster is informative on residents’ behavioral components. In the third cluster are grouped regions with financially secure residents. The fourth cluster includes leader regions. The fifth cluster includes outsider regions. The proposed model can easily fit to new data, to identify new patterns and to graphically represent new results. The model can also analyze computationally complex approach based on a complete set of multidirectional indicators relating to the country's medical system at a state of risk. Moreover,thiscluster-based approach can identify areas that require increased attention by state public health agencies.