Creative Economy Creative Economy Креативная экономика 1994-6929 2409-4684 BIBLIO-GLOBUS Publishing House 120366 10.18334/ce.18.2.120366 CQLFWY Articles Статьи Research Article Semantic analysis of patient feedback to provide decision support in the medical services market Семантический анализ отзывов пациентов для обеспечения поддержки принятия решений на рынке медицинских услуг https://orcid.org/0000-0002-8514-75089866-0723 Russkikh Tatiana Nikolaevna Русских Татьяна Николаевна

доцент кафедры алгебры и математических методов в экономике, кандидат экономических наук, доцент

 trusskih@rambler.ru https://orcid.org/0000-0001-9768-34588234-5478 Tinyakova Viktoriya Ivanovna Тинякова Виктория Ивановна

профессор кафедры управления проектом, доктор экономических наук, профессор

 tviktoria@yandex.ru Kukharets Dmitriy Viktorovich Кухарец Дмитрий Викторович

студент магистратуры

 prototype515@mail.ru Orel State University named after I.S. Turgenev Орловский государственный университет им. И.С. Тургенева State University of Management Государственный университет управления 28 02 2024 18 2 VOL 18, NO2 (2024) ТОМ 18, №2 (2024) 455 474 12 01 2024 Copyright ©; 2024, Russkikh T.N., Tinyakova V.I., Kukharets D.V. Copyright ©; 2024, Русских Т.Н., Тинякова В.И., Кухарец Д.В. 2024 Russkikh T.N., Tinyakova V.I., Kukharets D.V. Русских Т.Н., Тинякова В.И., Кухарец Д.В. https://1economic.ru/lib/120366

The most important tasks in the field of healthcare and compulsory medical insurance are to ensure information interaction between all participants, an independent assessment of the quality and accessibility of medical services. The article considers the problem of building an independent assessment of the quality and accessibility of medical services based on the semantic analysis of patient feedback using machine learning methods and artificial intelligence technologies. The necessity of implementing algorithmization and automation processes for processing large arrays of unstructured textual information is substantiated. A methodology that includes the processes of automating the collection and processing of text reviews, building classification models, and evaluating the quality of models is proposed. Based on the generated sample of patient reviews, an algorithm for solving the problem of sentiment analysis of patient reviews using artificial intelligence and machine learning methods and technologies is programmatically implemented.

Важнейшими задачами в сфере здравоохранения и обязательного медицинского страхования выступают обеспечение информационного взаимодействия между всеми участниками, независимая оценка качества и доступности медицинских услуг. В статье рассматривается проблема построения независимой оценки качества и доступности медицинских услуг на основе семантического анализа отзывов пациентов с использованием методов машинного обучения и технологий искусственного интеллекта. Обосновывается необходимость реализации процессов алгоритмизации и автоматизации для обработки больших массивов неструктурированной текстовой информации. Предлагается методология, включающая процессы автоматизации сбора и обработки текстовых отзывов, построения моделей классификации, оценки качества моделей. На основе сформированной выборки отзывов пациентов программно реализуется алгоритм решения задачи сентимент-анализа отзывов пациентов с использованием методов и технологий искусственного интеллекта и машинного обучения.

 medical services quality independent quality assessment semantic text analysis machine learning качество медицинских услуг независимая оценка качества семантический анализ текста машинное обучение 1. Авдеева Т.Г. Разработка системы анализа тональности сообщений в социальной сети Twitter // Инновации в науке. – 2017. – № 10(71). – c. 20-24. 2. Андрианов И.А., Майоров В.Д., Турдаков Д.Ю. Современные методы аспектно-ориентированного анализа эмоциональной окраски // Труды Института системного программирования РАН. – 2015. – № 5. – c. 5-22. – doi: 10.15514/ISPRAS-2015-27(5)-1. 3. Бабенко А.А. Маркетинговые исследования степени удовлетворенности потребителей платных медицинских услуг // Наука и бизнес: пути развития. – 2015. – № 11(53). – c. 34-36. 4. Берсенева Е.А., Мендель С.А., Савостина Е.А., Таирова Р.Т. Результаты анкетирования пациентов с целью оценки организации процессов в медицинском учреждении // Вестник современной клинической медицины. – 2018. – № 2. – c. 59-65. – doi: 10.20969/VSKM.2018.11(2).59-65. 5. Богданов А.Л., Дуля И.С. Сентимент-анализ коротких русскоязычных текстов в социальных медиа // Вестник Томского государственного университета. Экономика. – 2019. – № 47. – c. 220-241. – doi: 10.17223/19988648/47/17. 6. Бойко М.В. Исследование удовлетворенности потребителей в банковской сфере на основе анализа текстовых отзывов // Вестник Уфимского государственного авиационного технического университета. – 2014. – № 5(66). – c. 139-145. 7. Болтачева Е.Р., Никитина С.А. О некоторых подходах к решению задачи классификации текстов по тональности на примере анализа англоязычных отзывов // Вестник кибернетики. – 2022. – № 2(46). – c. 14-19. – doi: 10.34822/1999-7604-2022-2-14-19. 8. Брунова Е.Г., Бидуля Ю.В. Клиент всегда прав: анализ тональности в отзывах о качестве банковского обслуживания // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. – 2017. – № 1. – c. 72-89. – doi: 10.21684/2411-197X-2017-3-1-72-89. 9. Васильев В.Г., Кривенко М.П. Методы автоматизированной обработки текстов. - М.: ИПИ РАН, 2008. – 305 c. 10. Воробьева А.А., Гафарова Я.К., Самоследов Г.А. Исследование возможности снижения репутационных рисков банковских организаций на основе анализа тональности отзывов на русском языке // Научно-технический вестник Поволжья. – 2021. – № 4. – c. 123-125. 11. Гудименко Г.В., Кондрашова Р.А. Удовлетворенность медицинскими услугами как фактор конкурентоспособности региональных учреждений здравоохранения // Казанский медицинский журнал. – 2017. – № 2. – c. 251-256. – doi: 10.17750/KMJ2017-251. 12. Ермаков П.Д., Федянин Р.В. Исследование методов машинного обучения в задаче автоматического определения тональности текстов на естественном языке // Новые информационные технологии в автоматизированных системах. – 2015. – № 18. – c. 600-615. 13. Константинов А.А., Мошкин В.С. Разработка подхода к сентимент-анализу текстовых ресурсов социальных сетей // Вестник Ульяновского государственного технического университета. – 2021. – № 3(95). – c. 40-44. 14. Котельников Е.В., Клековкина М.В. Автоматический анализ тональности текстов на основе методов машинного обучения // Компьютерная лингвистика и интеллектуальные технологии: Труды XVIII Международной конференции «Диалог 2012»: в 2-х томах. Том Выпуск 11 (18), Том 2. Бекасово, 2012. – c. 27-36. 15. Лунева Е.Е., Ефремов А.А., Банокин П.И. Автоматизированная оценка эмоций пользователей социальных сетей на основе нечеткой логики // Экономика, статистика и информатика. Вестник УМО. – 2015. – № 3. – c. 249-254. 16. Посевкин Р.В., Бессмертный И.А. Применение сентимент-анализа текстов для оценки общественного мнения // Научно-технический вестник информационных технологий, механики и оптики. – 2015. – № 1. – c. 169-171. – doi: 10.17586/2226-1494-2015-15-1-169-171. 17. Русских Т.Н. Математическое обеспечение мониторинга удовлетворенности потребителей качеством и доступностью медицинских услуг в регионе. / Монография. - Орел: Картуш, 2018. – 120 c. 18. Рязанова Н.Ю., Сперцян К.М. Сравнительный анализ методов определения эмоциональной окраски сообщений в социальных сетях с применением обучения с учителем // Новые информационные технологии в автоматизированных системах. – 2018. – № 21. – c. 417-423. 19. Садовой М.А., Кобякова О.С., Деев И.А., Куликов Е.С., Табакаев Н.А., Тюфилин Д.С., Воробъева О.О. Удовлетворенность качеством медицинской помощи: «всем не угодишь» или «пациент всегда прав»? // Бюллетень сибирской медицины. – 2017. – № 1. – c. 152-161. – doi: 10.20538/1682-0363-2017-1-152-161. 20. Сайт «Продоктров». [Электронный ресурс]. URL: https://prodoctorov.ru/ (дата обращения: 20.04.2023). 21. Самигулин Т.Р., Джурабаев А.Э.У. Анализ тональности текста методами машинного обучения // Научный результат. Информационные технологии. – 2021. – № 1. – c. 55-63. – doi: 10.18413/2518-1092-2021-6-1-0-7. 22. Санина Н.П., Гуров А.Н., Давронов И.В. Анализ причин неудовлетворенности пациентов медицинской помощью на основе обращений граждан и независимой оценки качества оказания услуг медицинскими организациями // Проблемы социальной гигиены, здравоохранения и истории медицины. – 2019. – № 1. – c. 31-35. – doi: 10.32687/0869-866X-2019-27-1-31-35. 23. Тутубалина Е.В., Иванов В.В., Загулова М., Мингазов Н., Алимова И., Малых В. Тестирование методов анализа тональности текста, основанных на словарях // Электронные библиотеки. – 2015. – № 3-4. – c. 138-162. 24. Фадеева А.А., Сиякина В.В., Салахутдинов Э.Р. Применение искусственных нейронных сетей для анализа тональности текста // Социально-экономические и технические системы: исследование, проектирование, оптимизация. – 2020. – № 1(84). – c. 164-171. 25. Шимохин А.В. Семантический анализ отзывов о поставщиках на основе применения нейросетевой технологии // Фундаментальные исследования. – 2021. – № 5. – c. 117-121. – doi: 10.17513/fr.43048. 26. Юсупова Н.И., Богданова Д.Р., Бойко М.В. Алгоритмическое и программное обеспечение для анализа тональности текстовых сообщений с использованием машинного обучения // Вестник Уфимского государственного авиационного технического университета. – 2012. – № 6(51). – c. 91-99.