В основе данной работы лежат практические шаги по разработке программы интеллектуальной системы рекомендаций основной минеральной воды и ее аналогов на основе анализа заболеваний пользователя. Программа использует современные средства обработки полученных данных – методы обработки естественного языка и алгоритмы машинного обучения. Цель исследования – создание интеллектуальной модели, которая на основе анамнеза помогает подобрать подходящий вид минеральной воды, а также альтернативные варианты с аналогичными терапевтическими свойствами, с учетом всех заболеваний, в том числе и сочетанных. Материалы и методы исследования включают создание, обработку и анализ данных, процесс оценки и упорядочивания объектов по заданным критериям и демонстрацию результатов. Программа сопоставляет заболевания с наиболее подходящими типами минеральных вод, учитывая физико-химические свойства, показания и противопоказания. Данная разработка показывает высокую эффективность при работе с гетерогенными медицинскими данными, генерирует персональные рекомендации для каждого вида заболевания, а также снижает временные затраты на поиск. Результаты и их обсуждение позволяют определить доступный формат предоставления рекомендаций с учетом сходства результатов, что позволяет достаточно просто находить терапевтические аналоги. Заключение обозначает возможность применения интеллектуальных технологий в обработке медицинских данных и предоставлении персонализированных рекомендаций.
This study explores practical steps in developing an intelligent system for recommending primary mineral waters and their equivalents based on a user’s medical history. The program utilizes modern data processing tools, including natural language processing and machine learning algorithms. The goal of the study is to create an intelligent model that, based on a user’s medical history, helps select the appropriate type of mineral water, as well as alternatives with similar therapeutic properties, taking into account all medical conditions, including those associated with them. The study’s materials and methods include data generation, processing, and analysis, the process of evaluating and sorting objects according to specified criteria, and the presentation of results. The program matches medical conditions with the most suitable types of mineral waters, taking into account their physicochemical properties, indications, and contraindications. This development demonstrates high efficiency when working with heterogeneous medical data, generating personalized recommendations for each condition, and reducing search time. The results and discussion allow us to define an accessible format for providing recommendations based on the similarity of results, which allows for the simple search for therapeutic alternatives. The conclusion highlights the potential for using intelligent technologies in processing medical data and providing personalized recommendations.
1. Смагин Р. Е., Супруненко В. Л., Шинкаренко Е. Н. Оценка состояния и тенденции в использовании гидроминеральных ресурсов региона КМВ // Экологический вестник Северного Кавказа. 2024. Т. 20. № 1. С. 149–155. EDN: WIMQMW.
2. Королев Б. И., Терещенко Л. А. Современное состояние системы государственного мониторинга подземных вод на территории, особо охраняемого эколого-курортного региона Кавказские Минеральные Воды // Вопросы курортологии, физиотерапии и лечебной физической культуры. 2021. Т. 98. № 3–2. С. 96–97. EDN: HUVBOH.
3. Потапов Е. Г. Режим Ессентукского месторождения минеральных вод в двадцатом веке // Курортная медицина. 2025. № 3. С. 17–28. DOI: 10.24412/2304-0343-2025_3_17. EDN: BNVSDV.
4. Севостьянова Е. М., Хорошева Е. В. Разработка идентификационных показателей для лечебно-столовых минеральных вод Железноводского месторождения // Пищевая промышленность. 2024. № 8. С. 128–132. DOI: 10.52653/PPI.2024.8.8.025. EDN: RLTNKQ.
5. Калиберда С. И. Методы математического моделирования сложных гидрогеологических систем // Научно-технический вестник Поволжья. 2024. № 1. С. 77–81. EDN: IHQUBL.
6. Караваева М. Ю. Методика оценки уровня цифровой трансформации санаториев городов-курортов КМВ. Географические проблемы развития стран и регионов: сборник материалов Международной научно-практической конференции (г. Ставрополь, 15–24 апреля 2025 г.). Ставрополь: Северо-Кавказский федеральный университет, 2025. С. 124–126. EDN: XTLUFH.
7. Мартиросов Л. А. Рекреационный потенциал регионов: антропогенная нагрузка и тенденции. XXXVIII международные Плехановские чтения: сборник статей аспирантов и молодых ученых (г. Москва, 27–28 марта 2025 г.). М.: ФГБОУ ВО «РЭУ им. Г. В. Плеханова». 2025. С. 291–294. EDN: MSUMUD.
8. Фетисова Н. Ф. Моделирование осаждения и трансформации гидрогенных минеральных фаз кислых шахтных вод // Горное эхо. 2020. № 2 (79). С. 21–25. DOI: 10.7242/echo.2020.2.4. EDN: BHDVEK.
9. Слатвинская Е. А., Кайсинова А. С., Сергеева Е. А. Современные тенденции развития внутреннего медицинского туризма в регионе Кавказские Минеральные Воды // Курортная медицина. 2025. № 4. С. 119–126. DOI: 10.24412/2304-0343-2025_4_119. EDN: BUVHWL.
10. Почепко С. Ю., Каспин М. О., Дмитриев В. В. Оценка влияния факторов на экологические функции и продукционно-деструкционные отношения в водной экосистеме // Международный студенческий научный вестник. 2024. № 1. С. 46. DOI: 10.17513/msnv.21435. EDN: JTCCXV.
11. Pershin I. M., Papush E. G., Kukharova T. V., Utkin V. A. Modeling of Distributed Control System for Network of Mineral Water Wells // Water. 2023. Vol. 15. Is. 12. Р. 2289. DOI: 10.3390/w15122289.
12. Asadulagi M. A. M., Pershin I. M, Tsapleva V. V. Research on Hydrolithospheric Processes Using the Results of Groundwater Inflow Testing // Water. 2024. Vol. 16. Is. 3. Р. 487. DOI: 10.3390/w16030487.
13. Георгиева М. А., Першин И. М. Математическое моделирование взаимовлияния атмосферных осадков и гидролитосферных процессов на наклонные поверхности // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 1. С. 133–142. DOI: 10.35330/1991-6639-2025-27-1-133-142. EDN: WWJSAG.
14. Амбросов И. А. Интеллектуальная рекомендательная система для маршрутизации пациентов по симптомам // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2025. № 6. С. 41–47. DOI: 10.37882/2223-2966.2025.06.03. EDN: CVGSSP.
15. Георгиева М. А., Першин И. М. Математическое моделирование влияния атмосферных осадков на гидролитосферные процессы // Известия ЮФУ. Технические науки. 2024. № 6 (242). С. 121–131. DOI: 10.18522/2311-3103-2024-6-121-131. EDN: CNEQQR.
16. Першин И. М., Носова В. А., Малков А. В. Проектирование распределенных систем управления с использованием результатов экспериментальных исследований. Системный синтез и прикладная синергетика: сборник научных работ XI Всероссийской научной конференции (п. Нижний Архыз, 27 сентября – 01 октября 2022 г.). Ростов-на-Дону, Таганрог: Южный федеральный университет. 2022. С. 218–223. DOI: 10.18522/syssyn-2022-42. EDN: ZJPZRU.
17. Eremeeva A. M., Ilyushin Y. V. Automation of the control system for drying grain crops of the technological process for obtaining biodiesel fuels // Scientific Reports. 2023. Vol. 13. P. 14956. DOI: 10.1038/s41598-023-41962-0.
18. Ковалева А. О., Мартиросян К. В., Цаплева В. В., Суюнова Г. Б. Разработка автоматизированной рекомендательной системы по подбору оздоровительного отдыха в регионе Кавказских Минеральных Вод на основе анализа медицинских профилей и стоимостных характеристик // Современные наукоемкие технологии. 2025. № 11. С. 81–87. URL: https://top-technologies.ru/ru/article/view?id=40570 (дата обращения: 24.03.2026). DOI: DOI: 10.17513/snt.40570.
19. Бурлов Д. И., Яковлев А. Р. Интеграция искусственного интеллекта в управление персоналом туристических компаний. Применение ИИ для оптимизации HR-процессов в туризме // Экономика и управление: проблемы, решения. 2025. Т. 8. № 7 (160). С. 156–164. DOI: 10.36871/ek.up.p.r.2025.07.08.018. EDN: QSMVFW.
20. Митрошин И. А. Применение возможностей искусственного интеллекта в информационно-библиотечной деятельности // Научные и технические библиотеки. 2025. № 1. С. 120–134. DOI: 10.33186/1027-3689-2025-1-120-134. EDN: MAFLTX.