Методы моделирования и прогнозирования динамики эпидемического процесса инфекционных болезней
https://doi.org/10.52420/2071-5943-2023-22-4-102-112
Аннотация
Введение. Несмотря на значительный прогресс в обеспечении общественного здоровья, инфекционные болезни остаются широко распространенными, сохраняя одну из лидирующих позиций в структуре глобальной смертности. Появление новых и «возвращение» ранее известных инфекционных болезней, динамика эпидемий по-прежнему остаются труднопредсказуемыми процессами. Моделирование эпидемического процесса и прогнозирование его динамики являются ценными инструментами принятия решений в области общественного здравоохранения.
Цель работы – на основании данных научной литературы систематизировать существующие методики моделирования и прогнозирования заболеваемости инфекционными болезнями.
Материалы и методы. Проведен обзор научной литературы на тему моделирования и прогнозирования заболеваемости инфекционными болезнями. Поиск проводился без временных ограничений. Для изучения публикационной активности использовалась система глубокого анализа текстов.
Результаты и обсуждение. Выделены следующие наиболее употребительные классы методов моделирования: регрессионные модели, модели временных рядов, многокамерные (компартментные) модели, агентные модели и искусственные нейронные сети. Отмечено, что ряд методов (регрессионный анализ, анализ временных рядов, искусственные нейронные сети) относительно просты в реализации, однако требуют наличия достаточно большого объема ретроспективных данных для обучения модели. Многокамерные модели частично лишены этого ограничения, существует возможность быстрого их создания для анализа «новых» и «возвращающихся» инфекций, однако их реализация связана с проблемой неоднородности популяции хозяина. Агентные модели, наиболее совершенно описывающие неоднородность популяции хозяина и социальных взаимодействий в ней, отличаются высокой технической сложностью.
Заключение. Существующие методы моделирования в эпидемиологии покрывают основные практические задачи в данной отрасли. Вместе с тем, сохраняется потребность в программной реализации алгоритмов моделирования и прогнозирования в виде дружественных пользователю программных средств, что позволит внедрять их в широкую практику специалистов общественного здравоохранения.
Об авторах
А. А. Косова
Уральский государственный медицинский университет
Россия
Россия
Анна Александровна Косова, кандидат медицинский наук, доцент,
Екатеринбург
В. И. Чалапа
Уральский государственный медицинский университет;
Государственный научный центр вирусологии и биотехнологии «Вектор»
Россия
Россия
Владислав Игоревич Чалапа, аспирант,
Екатеринбург
О. П. Ковтун
Уральский государственный медицинский университет
Россия
Россия
Ольга Петровна Ковтун, академик РАН, доктор медицинских наук, профессор,
Екатеринбург
Список литературы
1. Burnet FM, White DO. Natural History of Infectious Disease. CUP Archive. 1972. pp. 263.
2. A dictionary of epidemiology, 4th ed., ed. Last J.M. New York ; Oxford University Press : 2001. pp. 73.
3. Chowell G, Nishiura H, Bettencourt LM. Comparative estimation of the reproduction number for pandemic influenza from daily case notification data. J R Soc Interface. 2007;4(12):155–166. http://doi.org/10.1098/rsif.2006.0161.
4. Forecasting in communicable diseases. WHO Eastern Mediterranean Region Part I. Wkly Epidemiol Rec. 2000;75(10):80–83.
5. Forecasting in communicable diseases. WHO Eastern Mediterranean Region. Part II. Steps for effective forecasting. Rel Epidemiol Hebd. 2000;75(16):126–129.
6. Daley DJ, Gani J. Epidemic Modelling: An Introduction. Cambridge University Press : 2001. 213 p.
7. Rubel F, Brugger K. Tick-borne encephalitis incidence forecasts for Austria, Germany, and Switzerland. Ticks Tick Borne Dis. 2020;11(5):101437. http://doi.org/10.1016/j.ttbdis.2020.101437.
8. Liu-Helmersson J, Quam M, Wilder-Smith A et al. Climate change and aedes vectors: 21st century projections for dengue transmission in Europe. EBioMedicine. 2016;7:267–277. http://doi.org/10.1016/j.ebiom.2016.03.046.
9. Chatterjee C, Sarkar RR. Multi-step polynomial regression method to model and forecast malaria incidence. PloS One. 2009;4(3):e4726. http://doi.org/10.1371/journal.pone.0004726.
10. Pons-Salort M, Oberste M, Pallansch M et al. The seasonality of nonpolio enteroviruses in the United States: Patterns and drivers. Proc Natl Acad Sci. 2018;115(12):3078–3083. http://doi.org/10.1073/pnas.1721159115.
11. Xiao X, Gasparini A, Huang J et al. The exposure-response relationship between temperature and childhood hand, foot and mouth disease: A multicity study from mainland China. Environ Int. 2017;100:102–109. http://doi.org/10.1016/j.envint.2016.11.021.
12. Fu T, Chen T, Dong Z et al. Sun development and comparison of forecast models of hand-foot-mouth disease with meteorological factors. Sci Rep. 2019;9:1−7. http://doi.org/10.1038/s41598-019-52044-5.
13. Horn L, Hajat A, Sheppard L et al. Ebi Association between Precipitation and Diarrheal Disease in Mozambique. Int J Environ Res Public Health. 2018;15(4):709. http://doi.org/10.3390/ijerph15040709.
14. Thompson CN, Zelner JL, Nhu TDH et al.The impact of environmental and climatic variation on the spatiotemporal trends of hospitalized pediatric diarrhea in Ho Chi Minh City, Vietnam. Health Place. 2015;35:147–154. http://doi.org/10.1016/j.healthplace.2015.08.001.
15. Bhandari D, Bi P, Dhimal M et al Non-linear effect of temperature variation on childhood rotavirus infection: A time series study from Kathmandu, Nepal. Sci Total Environ. 2020;748:141376. http://doi.org/10.1016/j.scitotenv.2020.141376.
16. Mu Y, Edwards JR, Horan TC et al. Improving risk-adjusted measures of surgical site infection for the National Healthcare Safely Network. Inf Contr Hosp Epidemiol. 2011;32(10):970−986.
17. Плотников А.Н. Элементарная теория анализа и статистическое моделирование временных рядов. 1-е издание. С-Пб ; Издательство Лань : 2016. С. 220.
18. Benvenuto D, Giovanetti M, Vassallo L et al. Application of the ARIMA model on the COVID-2019 epidemic dataset. Data Brief. 2020;29:105340. http://doi.org/10.1016/j.dib.2020.105340.
19. Sahai AK, Rath N, Sood V, Singh MP. ARIMA modelling & forecasting of COVID-19 in top five affected countries. Diabetes Metab Syndr. 2020;14(5):1419–1427. http://doi.org/10.1016/j.dsx.2020.07.042.
20. Wang C, Li Y, Feng W et al. Epidemiological Features and Forecast Model Analysis for the Morbidity of Influenza in Ningbo, China, 2006−2014. Int J Environ Res Public Health. 2017;14(6):559. http://doi.org/10.3390/ijerph14060559.
21. Rao X, Chen Z, Dong H et al. Yan Epidemiology of influenza in hospitalized children with respiratory tract infection in Suzhou area from 2016 to 2019. J Med Virol. 2020;92(12):3038−3046. http://doi.org/10.1002/jmv.26015.
22. Liu L, Luan RS, Yin F et al. Predicting the incidence of hand, foot and mouth disease in Sichuan province, China using the ARIMA model. Epidemiol Infect. 2016;144(1):144–151. http://doi.org/10.1017/S0950268815001144.
23. Fang X, Liu W, Ai J et al. Forecasting incidence of infectious diarrhea using random forest in Jiangsu Province, China. BMC Infect Dis. 2020;20(1):222. http://doi.org/10.1186/s12879-020-4930-2.
24. Cortes F, Turchi Martelly MC, Arraes de Alencar Ximenes R et al. Time series analysis of dengue surveillance data in two Brazilian cities. Acta Trop. 2018;182:190–197. http://doi.org/10.1016/j.actatropica.2018.03.006.
25. Zha W-T, Li W-T, Zhou N et al. Effects of meteorological factors on the incidence of mumps and models for prediction, China. BMC Infect Dis. 2020;20(1):468. http://doi.org/10.1186/s12879-020-05180-7.
26. Wang L, Liang C, Wu W et al. Epidemic Situation of Brucellosis in Jinzhou City of China and Prediction Using the ARIMA Model. Can J Infect Dis Med Microbiol. 2019;2019:1429462. http://doi.org/10.1155/2019/1429462.
27. Ветров В.В., Лялина Л.В., Плавинский С.Л., Историк О.А. Оценка проявлений и прогнозирование заболеваемости туберкулезом на территориях Северо-Запада России. Профилактическая и клиническая медицина. 2020;1(74):51– 57.
28. Nobre FF, Monteiro AB, Telles PR, Williamson GD. Dynamic linear model and SARIMA: a comparison of their forecasting performance in epidemiology. Stat Med. 2001;20(20):3051–3069. http://doi.org/10.1002/sim.963.
29. Lu J, Meyer S. Forecasting flu activity in the United States: benchmarking an endemic-epidemic beta model. Int J Environ Res Public Health. 2020;17(4):1381. http://doi.org/10.3390/ijerph17041381.
30. Cong J, Ren M, Xie S, Wang P. Predicting seasonal influenza based on SARIMA model, in Mainland China from 2005 to 2018. Int J Environ Res Public Health. 2019;16(23):E4760. http://doi.org/10.3390/ijerph16234760.
31. Xu Q, Li R, Liu Y et al. Forecasting the incidence of mumps in Zibo City based on a SARIMA model. Int J Environ Res Public Health. 2017;14(8):925. http://doi.org/10.3390/ijerph14080925.
32. Daisy SS, Saiful Islam AKM, Akanda AS et al. Developing a forecasting model for cholera incidence in Dhaka megacity through time series climate data. J Water Health. 2020;18(2):207–223. http://doi.org/10.2166/wh.2020.133.
33. Qi C, Zhang D, Zhu Y et al. SARFIMA model prediction for infectious diseases: application to hemorrhagic fever with renal syndrome and comparing with SARIMA. BMC Med Res Methodol. 2020;20(1):243. http://doi.org/10.1186/s12874-020-01130-8.
34. Ebhuoma O, Gebreslasie M, Magubane L. A Seasonal autoregressive integrated moving average (SARIMA) forecasting model to predict monthly malaria cases in KwaZulu-Natal, South Africa. S Afr Med J. 2018;108(7):573–578. http://doi.org/10.7196/SAMJ.2018.v108i7.12885.
35. Al-Sakkaf A, Jones G. Comparison of time series models for predicting campylobacteriosis risk in New Zealand. Zoonoses Public Health. 2014;61(3):167–174. http://doi.org/10.1111/zph.12046.
36. Kermack WO, McKendrick AG, Walker GT. A contribution to the mathematical theory of epidemics. Proc R Soc A. 1927;115(772):700–721. http://doi.org/10.1098/rspa.1927.0118.
37. Герасимов А.Н. Модели и статистический анализ в эпидемиологии инфекционных заболеваний. Тихоокеанский Медицинский Журнал 2019;3(77):80–83.
38. Anderson RM, Anderson B, May RM. Infectious diseases of humans: dynamics and control. Oxford university press : 1992. pp. 122−144.
39. Nouvellet P, Cori A, Garske T et al. A simple approach to measure transmissibility and forecast incidence. Epidemics. 2018;22:29–35. http://doi.org/10.1016/j.epidem.2017.02.012.
40. Gaythorpe KAM, Trotter CL, Conlan AJK. Modelling norovirus transmission and vaccination. Vaccine. 2018;36(37):5565– 5571. http://doi.org/1016/j.vaccine.2018.07.053.
41. Li MY, Muldowney JS. Global stability for the SEIR model in epidemiology. Math Biosci. 1995;125(2):155–164. http://doi.org/10.1016/0025-5564(95)92756-5.
42. Weidemann F, Dehnert M, Koch J et al. Bayesian parameter inference for dynamic infectious disease modelling: rotavirus in Germany. Stat Med. 2014;33(9):1580–1599. http://doi.org/10.1002/sim.6041.
43. Носова Е.А. Модели контроля и распространения ВИЧ-инфекции. Математическая биология и биоинформатика. 2012;7(2):632–675.
44. Inaba H. Age-structured homogeneous epidemic systems with application to the MSEIR epidemic model. J Math Biol. 2007;54(1):101–146. http://doi.org/10.1007/s00285-006-0033-y.
45. Liu X-X, Fong SJ, Dey N et al. A new SEAIRD pandemic prediction model with clinical and epidemiological data analysis on COVID-19 outbreak. Appl Intell. 2021;51:4162–4198. http://doi.org/10.1007/s10489-020-01938-3.
46. Goic M, Bozanic-Leal MS, Badal M, Basso LJ. COVID-19: Short-term forecast of ICU beds in times of crisis. PLoS ONE. 2021;16(1):e0245272. http://doi.org/10.1371/journal.pone.0245272.
47. IHME COVID-19 Forecasting Team. Modeling COVID-19 scenarios for the United States. Nat Med. 2021;27(1):94–105. http://doi.org/10.1038/s41591-020-1132-9.
48. Zhou L, Li J, Shi D et al. Huang predicting influenza epidemic for United States. Int J Environ Health Res. 2020;1231– 1237. http://doi.org/10.1080/09603123.2020.1866754.
49. Leonenko VN, Ivanov SV. Prediction of influenza peaks in Russian cities: Comparing the accuracy of two SEIR models. Math Biosci Eng MBE. 2018;15(1):209–232. http://doi.org/10.3934/mbe.2018009.
50. Olson DR, Lopman BA, Konty KJ et al. Surveillance data confirm multiyear predictions of rotavirus dynamics in New York City. Sci Adv. 2020;6(9):P. eaax0586. http://doi.org/10.1126/sciadv.aax0586.
51. Кудрявцев В.В., Миндлина А.Я., Герасимов А.Н. с соавт. К вопросу о распространенности ротавирусной инфекции на различных территориях. Эпидемиология и вакцинопрофилактика. 2014;3(76):22–28.
52. Lai C-C, Jiang D-S, Wu H-M, Chen H-H. A dynamic model for the outbreaks of hand, foot, and mouth disease in Taiwan. Epidemiol Infect. 2016;144(7):1500–1511. http://doi.org/10.1017/S0950268815002630.
53. Caudron Q, Mahmud AS, Metcaff CJE et al. Predictability in a highly stochastic system: final size of measles epidemics in small populations. J R Soc Interface. 2015;12(102):20141125. http://doi.org/10.1098/rsif.2014.1125.
54. Pitman R, Jarman B, Coker R. Tuberculosis transmission and the impact of intervention on the incidence of infection. Int J Tuberc Lung Dis. 2002;6(6):485–491. http://doi.org/10.5588/09640569512986.
55. Плавинский С.Л. Математическое моделирование распространения инфекций, передающихся половым путем. Значение для общественного здоровья и здравоохранения. Медицина. 2013:1(2):29−37.
56. Герасимов А.Н. Динамика эпидемического процесса с антибиотикоустойчивым вариантом возбудителя. Математическое Моделирование. 2019;31(3):109–123. http://doi.org/10.1134/S0234087919030080.
57. Baroyan OV, Rvachev LA, Basilevsky UV et al. Computer modelling of influenza epidemics for the whole country (USSR). Adv Appl Probab. 1971;3(2):224–226. http://doi.org/10.2307/1426167.
58. Roberts M, Andreasen V, Lloyd A, Pellis L. Nine challenges for deterministic epidemic models. Epidemics. 2015;10:49–53. http://doi.org/10.1016/j.epidem.2014.09.006.
59. Epstein JM, Axtell R. Growing artificial societies: social science from the bottom up. Brookings Institution Press : 1996. pp. 165.
60. Railsback SF. Agent-based and individual-based modeling: a practical introduction. 2nd edition. Princeton, NJ ; Princeton University Press : 2019. pp. 360.
61. Eubank S, Guclu H, Kumar VSA et al. Modelling disease outbreaks in realistic urban social networks. Nature. 2004;429(6988):180–184. http://doi.org/10.1038/nature02541.
62. Chowell G, Sattenspiel L, Bansal S, Viboud C. Mathematical models to characterize early epidemic growth: A Review. Phys Life Rev. 2016;18:66–97. http://doi.org/10.1016/j.plrev.2016.07.005.
63. Hoertel N, Blanchier M, Blanco C et al. A stochastic agent-based model of the SARS-CoV-2 epidemic in France. Nat Med. 2020;26(9):1417–1421. http://doi.org/10.1038/s41591-020-1001-6.
64. Ferguson NM, Cummings DAT, Cauchemez S et al. Strategies for containing an emerging influenza pandemic in Southeast Asia. Nature. 2005;437(7056):209–214. http://doi.org/10.1038/nature04017.
65. Влад А.И., Санникова Т.Е., Романюха А.А. Моделирование распространения респираторных вирусных инфекций в городе: мультиагентный подход. Математическая биология и биоинформатика/ 2020;15(2):338–356. http://doi.org/10.17537/2020.15.338.
66. Enanoria WTA, Liu F, Zipprich J et al. The Effect of Contact Investigations and Public Health Interventions in the Control and Prevention of Measles Transmission: A Simulation Study. PloS One. 2016;11(12):e0167160. http://doi.org/10.1371/journal.pone.0167160.
67. Escudero DJ, Lurie MN, Meyer KH et al. Acute HIV infection transmission among people who inject drugs in a mature epidemic setting. AIDS Lond Engl. 2016;30(16):2537–2544. http://doi.org/10.1097/QAD.0000000000001218.
68. Bartsch SM, Huang SS, Wong KF et al. The spread and control of norovirus outbreaks among hospitals in a region: a simulation model. Open Forum Infect Dis. 2014;1(2):P. ofu030. http://doi.org/10.1093/ofid/ofu030.
69. Cummings D, Burke DS, Epstein JM et al. Toward a containment strategy for smallpox bioterror: an individual-based computational approach. Brookings Institution Press : 2004. 68 p. URL: https://www.brookings.edu/research/toward-acontainment-strategy-for-smallpox-bioterror-an-individual-based-computational-approach/.
70. Torrealba-Rodriguez O, Conde-Gutiérrez RA, Hernández-Javier AL. Modeling and prediction of COVID-19 in Mexico applying mathematical and computational models. Chaos Solitons Fractals. 2020;138:109946. http://doi.org/10.1016/j.chaos.2020.109946
71. Hu H, Wang H, Wang F et al. Prediction of influenza-like illness based on the improved artificial tree algorithm and artificial neural network. Sci Rep. 2018;8(1):4895. http://doi.org/10.1038/s41598-018-23075-1.
72. Sahai AK, Mandal R, Joseph S et al. Development of a probabilistic early health warning system based on meteorological parameters. Sci Rep. 2020;10(1):14741. http://doi.org/10.1038/s41598-020-71668-6.
73. Liu W, Bao C, Zhou Y et al. Forecasting incidence of hand, foot and mouth disease using BP neural networks in Jiangsu province, China. BMC Infect Dis. 2019;19(1):828. http://doi.org/10.1186/s12879-019-4457-6.
74. Широкоступ С.В., Лукьяненко Н.В., Салдан И.П., Баландович Б.А. Роль нейросетевого эпидемиологического прогнозирования в системах социально-гигиенического мониторинга и эпидемиологического надзора за заболеваемостью клещевым энцефалитом и другими клещевыми природно-очаговыми инфекциями. Санитарный Врач. 2019;12:28–35. http://doi.org/10.33920/med-08-1912-03.
75. Косова А.А., Ким А.В., Ким П.С. с соавт. Математическое и компьютерное моделирование некоторых биомедицинских процессов. М. − Ижевск ; Ижевский институт компьютерных исследований : 2012. 112 с.
76. Zhu X, Fu B, Yang Y et al. Attention-based recurrent neural network for influenza epidemic prediction. BMC Bioinformatics. 2019;20(Suppl 18):575. http://doi.org/10.1186/s12859-019-3131-8.
77. Volkova S, Ayton E, Porterfield K, Corley CD. Forecasting influenza-like illness dynamics for military populations using neural networks and social media. PloS One. 2017;12(12):e0188941. http://doi.org/10.1371/journal.pone.0188941.
78. Guo Z, He K, Xiao D. Early warning of some notifiable infectious diseases in China by the artificial neural network. R Soc Open Sci. 2020;7(2):191420. http://doi.org/10.1098/rsos.191420.
79. Wei W, Jiang J, Liang H et al. Application of a combined model with Autoregressive Integrated Moving Average (ARIMA) and Generalized Regression Neural Network (GRNN) in forecasting hepatitis incidence in Heng County, China. PloS One. 2016;11(6):e0156768. http://doi.org/10.1371/journal.pone.0156768.
Рецензия
Для цитирования:
Косова А.А., Чалапа В.И., Ковтун О.П. Методы моделирования и прогнозирования динамики эпидемического процесса инфекционных болезней. Уральский медицинский журнал. 2023;22(4):102-112. https://doi.org/10.52420/2071-5943-2023-22-4-102-112
For citation:
Kosova A.A., Chalapa V.I., Kovtun O.P. Methods for modellind and forecasting dynamics of infectious diseases. Ural Medical Journal. 2023;22(4):102-112. (In Russ.) https://doi.org/10.52420/2071-5943-2023-22-4-102-112
Просмотров: 72
Послать статью по эл. почте 