You are using an outdated browser. For a faster, safer browsing experience, upgrade for free today.

ЗАСТОСУВАННЯ БАГАТОВИМІРНОЇ МОДЕЛІ БІОЛОГІЧНОГО ВІКУ ДЛЯ РИЗИК-ОРІЄНТОВАНОГО МОНІТОРИНГУ В СИСТЕМІ ПРОФЕСІЙНОЇ МЕДИЦИНИ

ЗАСТОСУВАННЯ БАГАТОВИМІРНОЇ МОДЕЛІ БІОЛОГІЧНОГО ВІКУ ДЛЯ РИЗИК-ОРІЄНТОВАНОГО МОНІТОРИНГУ В СИСТЕМІ ПРОФЕСІЙНОЇ МЕДИЦИНИ

ISSN 2223-6775 Український журнал з проблем медицини праці Том.21, №2, 2026

https://doi.org/10.33573/ujoh2026.01.079

ЗАСТОСУВАННЯ БАГАТОВИМІРНОЇ МОДЕЛІ БІОЛОГІЧНОГО ВІКУ ДЛЯ РИЗИК-ОРІЄНТОВАНОГО МОНІТОРИНГУ В СИСТЕМІ ПРОФЕСІЙНОЇ МЕДИЦИНИ

Кашуба М.О., Лотоцька О.В., Копач О.Є., Федорів О.Є., Пашко К.О., Данчишин М.В.

Тернопільський національний медичний університет імені І.Я. Горбачевського МОЗ України

Повна стаття (PDF), УКР

Вступ. Сучасна система періодичних медичних оглядів у професійній медицині переважно орієнтована на виявлення вже сформованої патології, що обмежує її ефективність у ранньому виявленні функціональних змін і профілактиці захворювань.

Мета дослідження – обґрунтувати застосування багатовимірної моделі біологічного віку як інструменту ризик-орієнтованого моніторингу в системі професійної медицини.

Матеріали та методи дослідження. Проведено концептуальний аналіз існуючих систем медичного моніторингу, інтегровано підходи до оцінки біологічного віку та принципи ризик-орієнтованої медицини.

Результати. Запропоновано підхід, що дозволяє виявляти ранні функціональні відхилення, інтегрувати різнорідні фізіологічні показники, оцінювати динаміку змін та ідентифікувати критичні порогові стани. Модель забезпечує стратифікацію працівників за рівнем ризику та підвищує обґрунтованість рішень щодо професійної придатності.

Висновки. Використання багатовимірних моделей біологічного віку дозволяє перейти від реактивної діагностики до проактивного управління ризиком, що підвищує ефективність профілактики професійних захворювань.

Ключові слова: біологічний вік, професійна медицина, ризик-орієнтований підхід, функціональний резерв. медичний моніторинг, профілактика

Література

  1. World Health Organization. Global strategy on occupational health for all: the way to health at work. Geneva: World Health Organization, 1995.
  2. International Labour Office. Technical and ethical guidelines for workers’ health surveillance. Geneva: International Labour Office, 1998.
  3. Schulte P. A., Pandalai S., Wulsin V., Chun H. Interaction of occupational and personal risk factors in workforce health and safety. Am J Public Health. 2012. 102, No. 3. P. 434–448. DOI: https://doi.org/10.2105/AJPH.2011.300249.
  4. Bell J. G., Bishop C., Hartley P. S., et al. A systematic approach to health surveillance in the workplace. Occup Med (Lond). 1995. Vol. 45, No. 6. P. 305–310. DOI: https://doi.org/10.1093/occmed/45.6.305.
  5. Kauppinen T., Toikkanen J. Work and health country profiles. Scand J Work Environ Health. 1999. Vol. 25, 4. P. 61–67.
  6. Serra C., Rodríguez M. C., Delclos G. L., et al. Criteria and methods used for workers’ health surveillance in occupational health practice. Occup Environ Med. 2007. Vol. 64, No. 5. P. 304–312. DOI: https://doi.org/10.1136/oem.2006.029397.
  7. Ronchese F., Boccuni F., Rondinone B. M., et al. Occupational health surveillance: new perspectives. Int Arch Occup Environ Health. 2023. Vol. 96, No. 8. P. 1203–1210. DOI: https://doi.org/10.1007/s00420-023-02001-7.
  8. Leso V., Fontana L., Romano R., et al. Occupational health surveillance in modern workplaces: challenges and perspectives. J Occup Health. 2024. Vol. 66, No. 1. Art. DOI: https://doi.org/10.1093/joccuh/uiad006.
  9. Rothman K. J., Greenland S., Lash T. Modern epidemiology. 3rd ed. Philadelphia (PA) : Lippincott Williams & Wilkins, 2008.
  10. Harrell F. E., Jr. Regression modeling strategies: with applications to linear models, logistic regression, and survival analysis. 2nd ed. New York : Springer, DOI: https://doi.org/10.1007/978-3-319-19425-7.
  11. Steyerberg E. Clinical prediction models: a practical approach to development, validation, and updating. 2nd ed. Cham : Springer, 2019. DOI: https://doi.org/10.1007/978-3-030-16399-0.
  12. Levine M. Modeling the rate of senescence: can estimated biological age predict mortality more accurately than chronological age? J Gerontol A Biol Sci Med Sci. 2013. Vol. 68, No. 6. P. 667–674. DOI: https://doi.org/10.1093/gerona/gls233.
  13. Jylhävä J., Pedersen N. L., Hägg S. Biological age predictors. EBioMedicine. 2017. Vol. 21. P. 29–36. DOI: https://doi.org/10.1016/j.ebiom.2017.03.046.
  14. Horvath S. DNA methylation age of human tissues and cell types. Genome Biol. 2013. Vol. 14, No. 10. Art. DOI: https://doi.org/10.1186/gb-2013-14-10-r115.
  15. Khoury M. J. , Iademarco M. F., Riley W. Precision public health for the era of precision medicine. Am J Prev Med. 2016. Vol. 50, No. 3. P. 398–401. DOI: https://doi.org/10.1016/j.amepre.2015.08.031.
  16. Warburton D. E. R., Nicol C. W., Bredin S. S. Health benefits of physical activity: the evidence. CMAJ. 2006. Vol. 174? No. 6. P. 801–809. DOI: https://doi.org/10.1503/cmaj.051351.
  17. Lee I. M., Shiroma E. J., Lobelo F., Puska P., Blair S. N., Katzmarzyk P. T. et al. Effect of physical inactivity on major non-communicable diseases worldwide. Lancet. 2012. Vol. 380, No. 9838. P. 219–229. DOI: https://doi.org/10.1016/S0140-6736(12)61031-9.
  18. Ferrucci L., Fabbri E. Inflammageing: chronic inflammation in ageing, cardiovascular disease, and frailty. Nat Rev Cardiol. 2018. Vol. 15, No. 9. P. 505–522. DOI: https://doi.org/10.1038/s41569-018-0064-2.
  19. American Diabetes Association. Standards of medical care in diabetes—2024. Diabetes Care. 2024. Vol. 47, 1. P. S20–S42. DOI: https://doi.org/10.2337/dc24-S002.
  20. Grundy S. M., Stone N. J., Bailey A. L. et al. 2018 AHA/ACC guideline on the management of blood cholesterol. Circulation. 2019. Vol. 139, No. 25. P. e1082–e1143. DOI: https://doi.org/10.1161/CIR.0000000000000625.