Нечитайло Александр Сергеевич, ассистент кафедры эпидемиологии, социальной гигиены и организации госсанэпидслужбы
620028, г. Екатеринбург, ул. Репина, 3
Alexandr S. Nechitaylo, Assistant, Department of Epidemiology, Social Hygiene and Organization of State Sanitary and Epidemiological Service
3 Repina st, Ekaterinburg, 620028
Анна Александровна Косова – к. м. н., доцент, заведующая кафедрой эпидемиологии, социальной гигиены и организации госсанэпидслужбы
Екатеринбург
Anna A. Kosova – Cand. Sci. (Med.), Associate Professor, Head of the Department of Epidemiology, Social Hygiene, and Organization of the State Sanitary and Epidemiological Service
Ekaterinburg
Елена Сергеевна Башкирова – ассистент кафедры эпидемиологии, социальной гигиены и организации госсанэпидслужбы
Екатеринбург
Elena S. Bashkirova – Assistant of the Department of Epidemiology, Social Hygiene, and Organization of the State Sanitary and Epidemiological Service
Ekaterinburg
Павел Леонидович Шулев – ассистент кафедры эпидемиологии, социальной гигиены и организации госсанэпидслужбы
Екатеринбург
Pavel L. Shulev – Cand. Sci. (Med.), Associate Professor of the Department of Epidemiology, Social Hygiene, and Organization of the State Sanitary and Epidemiological Service
Ekaterinburg
Актуальность. Вакцинация является эффективным средством профилактики многих инфекционных и неинфекционных заболеваний, однако недоверие к вакцинопрофилактике стало глобальной проблемой здравоохранения. Для повышения приверженности населения к вакцинации необходимы персонализированные инструменты оценки отношения к этому профилактическому мероприятию.
Цель исследования – разработать бинарную логистическую регрессионную модель для персонализированной оценки модуса отношения индивида к вакцинопрофилактике.
Материалы и методы. Результаты анонимного анкетирования 3082 респондентов (2087 медицинских и 995 немедицинских студентов). Данные разделены на обучающую (80 %) и тестовую (20 %) выборки. Построена бинарная логистическая регрессионная модель на основе ответов на 7 вопросов анкеты. Оценка модели выполнена с использованием ROC-анализа, чувствительности, специфичности, точности и F1-меры.
Результаты. Разработанная модель статистически значима (p < 0,001) и объясняет 50,1 % дисперсии отношения к вакцинопрофилактике. Значение площади под ROC-кривой (AUC) составило 0,888, что свидетельствует о высокой дискриминативной способности модели. На тестовой выборке чувствительность составила 82,3 %, специфичность – 86,7 %, точность – 83,3 %.
Выводы. Разработанный бинарный классификатор обладает высокими прогностическими возможностями для персонализированной оценки модуса отношения индивида к вакцинопрофилактике. Его применение позволит медицинским работникам эффективно идентифицировать лиц с неопределенным или отрицательным отношением к вакцинации и проводить целена- правленные разъяснительные мероприятия, способствующие повышению приверженности вакцинопрофилактике. Для повышения универсальности и точности модели необходимо ее дообучение с учетом представителей различных социальных групп.
Relevance: Vaccination is an effective method of prevention for many infectious and non-infectious diseases. However, distrust in immunization has become a global public health challenge. Personalized tools for assessing attitudes toward vaccination are necessary to improve population adherence to vaccination programs.
Aims. To develop a binary logistic regression model for personalized assessment of an individual's attitude toward immunization.
Materials and methods. The study utilized results from an anonymous survey of 3,082 respondents (2,087 medical students and 995 non-medical students). The data were split into training (80 %) and testing (20 %) datasets. A binary logistic regression model was constructed based on responses to seven survey questions. Model evaluation was performed using ROC analysis, sensitivity, specificity, accuracy, and the F1-score.
Results. The developed model is statistically significant (p < 0.001) and explains 50.1 % of the variance in attitudes toward vaccination. The area under the ROC curve (AUC) was 0.888, indicating high discriminative ability. On the test dataset, the model demonstrated a sensitivity of 82.3 %, specificity of 86.7 %, and accuracy of 83.3 %.
Conclusion. The developed binary classifier exhibits high predictive capability for personalized assessment of an individual's attitude toward immunization. Its application can enable healthcare professionals to effectively identify individuals with uncertain or negative attitudes toward vaccination and conduct targeted educational interventions to improve vaccination adherence. To enhance the model's universality and accuracy, further training incorporating representatives of various social groups is required.
The authors declare that there are no conflicts of interest present.