Факторное временное прогнозирование критических уровней инфекционной заболеваемости Текст научной статьи по специальности «Экономика и бизнес»

УДК 616.9-037

факторное временное прогнозирование критических уровней инфекционной заболеваемости

© 2009 г. Е. И. Болотин, *Г. Ш. Цициашвили,

**С. Ю. Федорова

Тихоокеанский институт географии ДВО РАН,

*Институт прикладной математики ДВО РАН,

**Дальневосточный государственный технический университет, г. Владивосток

В настоящее время существует многочисленная научная литература, касающаяся прогнозной тематики. Анализ этой литературы осуществлялся уже неоднократно [3, 8, др.], и поэтому нет необходимости возвращаться к этому вновь. Стоит лишь отметить некоторые исследования, касающиеся медицинской прогностики, в том числе и появившиеся в последнее время [4, 5, др.].

Необходимо подчеркнуть, что в данной работе речь идет о временном прогнозировании широкого спектра нозоформ антропонозной и зоонозной природы. В целом можно выделить два реальных подхода к временному прогнозированию заболеваемости — это экстраполяционный и факторный прогнозы. При этом ранее на модели клещевого энцефалита нами было отмечено, что для экстраполяционного прогноза, широко используемого в различных науках, все же характерен значительный ряд ограничений [3].

Во-первых, при экстраполяционном прогнозировании исследуются, по существу, усредненные, в определенном смысле не существующие в природе, параметры изучаемого явления, отражающие лишь общую тенденцию или тренд развития этого явления во времени. Этот тренд представляет собой сглаженную искусственную линию, в которой нивелированы наиболее важные для прогнозирования катастрофические (критические) уровни состояния анализируемой системы, характеризующей отдельные годы или иные временные отрезки.

Во-вторых, результаты экстраполяционного прогнозирования напрямую зависят от длины временного ряда и, что чрезвычайно важно, обусловлены самим типом многолетнего движения изучаемого явления, которое в разные временные отрезки может существенно менять свой характер.

В-третьих, итоги экстраполяционного прогнозирования носят вероятностный характер и ограничиваются доверительными интервалами. Однако размах этих ограничений может быть столь широким, что он зачастую «размазывает» полученные результаты и тем самым серьезно ограничивает возможности их объективной содержательной интерпретации.

Из перечисленных моментов особого внимания заслуживает второй пункт, который подчеркивает нестационарность временных рядов заболеваемости и нелинейность связей в изучаемых антропопаразитарных системах. Надо отметить, что вопрос о «нелинейности» очень важный и практически не изученный в эпидемиологии и медицинской экологии, тогда как интерес к нелинейным явлениям при изучении различных систем в настоящее время имеет значительный размах и актуальность [1].

Прогнозирование «нелинейных систем», сочетающих в себе одновременно детерминированность и стохастичность, чрезвычайно сложная

Разработана методика и реализован компьютерный алгоритм распознавания (прогнозирования) критических уровней всего комплекса инфекционной заболеваемости антропонозной и зоонозной природы. Предлагаемый подход имеет важное методическое и прикладное значение и может использоваться не только в различных прогнозных медикоэкологических и эпидемиологических исследованиях, но и в других областях науки.

Ключевые слова: инфекционная патология, критические уровни заболеваемости, прогнозирование.

задача, в связи с чем возможности предсказания функционирования таких систем весьма ограничены [6, др.]. К этому следует добавить мнение известного специалиста в области статистики и прогнозирования В. В. Налимова [7], который вообще считает, что серьезный научный прогноз если и возможен, то только в своем ослабленном варианте (паттерн-анализ), сводящемся лишь к тщательному мониторингу происходящего в той или иной анализируемой экологической системе.

Материал и методы

Используемый нами в работе «факторный» подход основан на идее прогнозирования не конкретных тех или иных абсолютных показателей, а уровней заболеваемости, которые могли быть выше или равными некоторой критической линии, задаваемой исследователем. Такая постановка задачи принципиально важна не только в чисто содержательном плане, поскольку снимается чрезвычайно острая проблема «нелинейности», но и методически, т. к. предлагаемый способ ее реализации имеет универсальный характер и может легко воспроизводиться как в эколого-эпидемиологических исследованиях, так и в других научных областях.

Очень важно отметить, что используемый для прогнозирования набор факторов является «символическим», поскольку нынешний уровень наших знаний о причинных связях в антропопаразитарных системах пока еще очень ограничен ввиду чрезвычайной иерархической сложности этих систем. По существу, реализуя факторный прогноз с использованием тех или иных факторов, мы работаем вслепую, опираясь лишь на наш опыт и априорные представления о возможных связях в изучаемых системах. Строго говоря, факторному прогнозированию должен предшествовать мощный экспериментальный модельный экологический блок научных исследований по выявлению истинных причинных факторов и механизмов их воздействия на заболеваемость или иные эпидемические показатели. Однако такая задача вряд ли разрешима в ближайшем будущем.

Тем не менее, ставя перед собой главную задачу — разработку оснований и способов временного факторного прогнозирования, на данном этапе исследований мы используем определенный набор факторов, которые, с одной стороны, априорно считаются причинно связанными с заболеваемостью, а с другой — являются реальными репрезентативными многолетними рядами наблюдений, сопоставимыми с явлениями, которые мы прогнозируем.

Конкретно в данной работе используются две группы факторов: климатические (среднегодовая температура, абсолютная минимальная температура, продолжительность безморозного периода, число дней со снежным покровом и максимальный уровень снега) и эпидемические, т. е. многолетние ряды заболеваемости различными инфекциями, используемые как воздействующие факторы. При этом при конкретном про-

гнозировании той или иной инфекции использовался не весь набор других сопутствующих инфекций (хотя такой способ также вполне возможен и практически реализуем), а только те инфекции, которые наиболее близки по своему характеру многолетнего движения, выявленному ранее путем кластеризации [2].

Методика факторного прогнозирования критических уровней заболеваемости той или иной инфекции базировалась на следующем, разработанном нами алгоритме.

Первоначально эмпирическая информация по заболеваемости различными нозоформами и набор воздействующих факторов, характеризующих тот или иной временной отрезок и ту или иную территорию (например, Приморский край или отдельно г. Владивосток), представлялась в виде матриц исходных данных, в которых строки обозначают годы, а столбцы — показатели прогнозируемой заболеваемости и воздействующих факторов. Далее выделялись годы (строки) с критическими уровнями заболеваемости и соответствующими им показателями воздействующих факторов. Выделенные годы с критическими уровнями заболеваемости образуют интервалы определенных значений воздействующих факторов. Однако в эти интервалы могут попадать и годы, в которые заболеваемость ниже выделенного нами критического уровня. Условно назовем такие годы «ложнокритическими». Обозначив количество критических и «ложнокритических» лет соответственно как «х» и «у», получаем отношение р = х / (х + у), которое можно трактовать как вероятность правильно идентифицировать (прогнозировать, распознавать) критические годы по выделенным интервалам воздействующих факторов.

В целом разработанная методика факторного временного прогнозирования основывалась на принципах распознавания образов. Качество же прогноза, реализуемое оригинальным алгоритмом, определялось по исходной выборке числом некритических (ложнокритических) лет, ошибочно воспринимаемым установленным нами решающим правилом распознавания как критические.

Используемый в работе показатель качества распознавания (ПКР) с помощью прямоугольного решающего правила может рассматриваться как аналог множественного коэффициента корреляции между прогнозируемыми и воздействующими факторами, используемого в математической статистике. Максимальный ПКР, равный единице, означает 100 % качество распознавания.

Очень важно подчеркнуть, что вычисление этого показателя значительно проще, чем нахождение множественного коэффициента корреляции, осуществляемое с помощью метода главных компонент. Последний требует помимо большого объема вычислений, определяемого числом воздействующих факторов N еще и количество объектов (т. е. лет) п, много большего N.

В реальной же ситуации при относительно небольшом п (порядка 20), число N достаточно велико (порядка 10 и выше). Вычисленные эксперименты показывают, что попытка увеличения п, как правило, достигается объединением разнородных выборок и поэтому приводит не к увеличению, а к уменьшению качества распознавания. В свою очередь, увеличение критического уровня для прогнозируемого признака и выделение относительно однородной выборки, как правило, позволяет увеличить ПКР.

Для целей собственно прогнозирования превышения критического уровня анализируемой заболеваемости разработана следующая модификация данного алгоритма. Сначала в соответствии с описанным алгоритмом строятся интервалы по выделенным критическим годам для всех воздействующих факторов. Затем определяется количество т воздействующих факторов, каждый из которых в прогнозируемом году принадлежит интервалу, соответствующему этому фактору. Если число т совпадает с общим числом воздействующих факторов N то по описанному выше правилу можно предполагать в прогнозируемом году превышение заболеваемостью критического уровня. Однако если т лишь немного меньше, чем N то можно ожидать приближение к критическому уровню. Чтобы эмпирически подтвердить (верифицировать) результаты прогнозирования, сравнивают критические и истинные уровни заболеваемости в прогнозируемые годы.

Результаты и обсуждение

Остановимся теперь на некоторых результатах, полученных в ходе вычислительных экспериментов. В табл. 1 представлены материалы, отражающие показатели качества распознавания при прогнозировании критических уровней заболеваемости 24 ведущих инфекций в Приморском крае и г. Владивостоке с использованием пяти климатических факторов метеостанции «Красный Яр», расположенной на севере Приморской края. При этом многолетняя динамика заболеваемости сопоставлялась с воздействующими факторами как год в год, т. е. без какого-либо лага, так и со сдвигом в один год. Длина рядов включала период с 1975 по 2005 год.

Как видно из данных табл. 1, качество распознавания критических уровней заболеваемости в целом по Приморскому краю и по г. Владивостоку значительно колеблется в пределах от 31—40 % (коклюш, гонорея, сальмонеллез) до 100 % (аскаридоз, энтеробиоз, клещевой риккетсиоз и др.). В целом же можно считать, что уровень распознавания при большой длине рядов прогнозируемых инфекций (более 30 лет) не столь высок и его средний показатель по всем инфекциям составил 6,50—6,87. Однако при использовании укороченных временных рядов качество распознавания резко возрастает (табл. 2). Так, средний показатель распознавания по всем инфекциям достигает 0,85—0,92, а критические уровни примерно половины инфекций прогнозируются со 100 % вероятностью.

Таблица 1

Показатели качества распознавания критических уровней заболеваемости различными инфекциями с использованием климатических факторов метеостанции «Красный Яр» за период 1975-2005 гг.

Нозоформа Приморский край Владивосток

Без лага С лагом Без лага С лагом

Ветряная оспа 0,8 0,67 0,75 1,0

ОРЗ 0,75 0,6 0,83 0,56

Ірипп 0,8 0,56 0,8 0,83

Краснуха 0,67 0,8 0,67 1,0

Инфекционный мононуклеоз 0,86 0,6 0,8 0,8

Гепатит А 0,83 0,56 0,83 0,56

Іепатит В 0,75 0,55 0,67 0,86

Коклюш 0,31 0,71 0,4 1,0

Менинго- кокковая инфекция 0,64 0,8 0,83 0,83

Скарлатина 0,55 0,36 0,45 0,45

Туберкулез 0,83 0,71 0,86 0,6

Дизентерия 0,54 0,67 0,5 0,56

Іонорея 0,8 0,57 0,38 0,4

Сифилис 0,83 0,83 0,71 0,63

Аскаридоз 1,0 1,0 1,0 1,0

Энтеробиоз 0,63 1,0 0,71 1,0

Педикулез 0,71 1,0 0,5 1,0

Чесотка 0,45 0,63 0,56 0,63

ГЛПС 0,42 0,38 0,56 0,83

Клещевой энцефалит 0,58 0,64 0,6 0,6

Псевдотубер- кулез 0,6 0,55 0,55 0,67

Сальмонеллез 0,4 0,46 0,47 0,41

Болезнь Лайма 0,56 0,83 0,45 0,63

Клещевой риккетсиоз 0,5 1,0 0,71 1,0

Сумма показателей 15,81 16,48 15,59 16,46

Средний показатель 6,59 6,87 6,5 6,86

Очень близкие результаты по распознаванию критических уровней заболеваемости получены и при использовании материалов по другой метеостанции «Партизанск», расположенной на юге Приморского края. В данном случае также очень четко проявилась тенденция возрастания качества распознавания при уменьшении длины временных рядов заболеваемости и воздействующих факторов (табл. 3 и 4). При этом значительная близость в результатах прогнозирования критических уровней заболеваемости тех или иных инфекций с использованием метеорологических данных

Таблица 2

Показатели качества распознавания критических уровней заболеваемости различными инфекциями с использованием климатических факторов метеостанции «Красный Яр» за период 1990-2005 гг.

Нозоформа Приморский край Владивосток

Без лага С лагом Без лага С лагом

Ветряная оспа 1,0 0,8 1,0 0,8

ОРЗ 1,0 1,0 0,86 1,0

Грипп 0,83 1,0 0,83 1,0

Краснуха 0,8 0,8 0,8 0,8

Инфекционный мононуклеоз 1,0 1,0 1,0 1,0

Гепатит А 0,71 0,8 0,57 1,0

Гепатит В 1,0 0,83 0,71 1,0

Коклюш 0,63 0,8 0,83 1,0

Менингококко-вая инфекция 1,0 0,8 0,56 1,0

Скарлатина 0,63 0,67 0,63 0,67

Туберкулез 1,0 1,0 1,0 1,0

Дизентерия 1,0 0,8 1,0 1,0

Гонорея 0,83 1,0 0,83 1,0

Сифилис 1,0 0,83 0,71 0,71

Аскаридоз 0,83 1,0 0,83 1,0

Энтеробиоз 0,83 1,0 0,71 0,8

Педикулез 0,83 1,0 0,83 1,0

Чесотка 0,63 0,71 0,63 0,71

ГЛПС 0,8 1,0 0,71 1,0

Клещевой энцефалит 0,71 1,0 0,71 0,71

Псевдотубер- кулез 1,0 1,0 0,83 1,0

Сальмонеллез 1,0 1,0 0,83 1,0

Болезнь Лайма 0,71 1,0 0,63 0,83

Клещевой риккетсиоз 0,63 1,0 1,0 1,0

Сумма показателей 20,4 21,84 19,0,4 22,03

Средний показатель 0,85 0,91 0,79 0,92

двух метеостанций, расположенных на значительном удалении друг от друга и в разных климатических условиях, объясняется аналогичностью характера многолетних колебаний этих условий, фиксируемых на разных метеостанциях. Таким образом, можно полагать, что путем отбора метеоданных разных метеостанций можно повышать качество распознавания критических уровней заболеваемости прогнозируемых инфекций.

В целом же в результате анализа данных табл. 1 —4 можно констатировать очень важный факт, заключающийся в том, что каждая из 24 прогнозируемых нозологических форм при использовании пяти климатических факторов хотя бы один раз распознавалась со 100 % вероятностью.

Рассмотрим теперь результаты качества распознавания критических уровней заболеваемости различных инфекций при использовании эпидемических данных как воздействующих факторов (табл. 5).

Таблица 3

Показатели качества распознавания критических уровней заболеваемости различными инфекциями с использованием климатических факторов метеостанции «Партизанск» за период 1975-2005 гг.

Нозоформа Приморский край Владивосток

Без лага С лагом Без лага С лагом

Ветряная оспа 0,8 0,5 0,8 1,0

ОРЗ 0,67 0,55 0,63 0,56

Грипп 0,8 0,83 0,8 1,0

Краснуха 0,5 0,8 0,5 1,0

Инфекционный мононуклеоз 0,67 0,75 0,8 1,0

Гепатит А 0,71 0,38 0,71 0,38

Гепатит В 0,55 0,86 0,67 0,67

Коклюш 0,71 0,83 0,5 1,0

Менингококко-вая инфекция 0,41 0,67 0,83 0,5

Скарлатина 0,5 0,33 0,5 0,42

Туберкулез 1,0 0,71 0,67 0,75

Дизентерия 0,54 0,43 0,6 0,83

Гонорея 1,0 1,0 0,71 0,57

Сифилис 0,63 0,83 0,83 1,0

Аскаридоз 1,0 0,5 0,45 0,83

Энтеробиоз 1,0 0,83 1,0 1,0

Педикулез 0,83 1,0 0,83 1,0

Чесотка 0,5 0,71 1,0 1,0

ГЛПС 0,36 0,36 0,83 0,63

Клещевой энцефалит 0,7 0,58 0,75 0,86

Псевдотубер- кулез 0,86 0,75 0,86 0,55

Сальмонеллез 0,67 0,55 0,58 0,44

Болезнь Лайма 0,71 0,71 0,5 0,83

Клещевой риккетсиоз 0,71 0,83 0,83 0,83

Сумма показателей 16,83 16,29 16,68 18,65

Средний показатель 0,7 0,68 0,7 0,78

Из данных табл. 5 можно отметить несколько специфических особенностей в распознавании критических уровней заболеваемости тех или иных нозоформ, относящихся к разным группам.

Во-первых, как и в случае с использованием климатических факторов, при использовании эпидемических параметров наглядно проявляется тенденция возрастания уровня распознавания при уменьшении длины рядов заболеваемости.

Во-вторых, распознавание критических уровней заболеваемости в целом по группам очень значительно колеблется от 54—67 % до 97—100 % уровня (соответственно 4 и 2 группы).

В-третьих, при сравнении разных нозологических форм разброс распознавания критических уровней также очень значительный. Например, в первой группе природно-очаговых болезней клещевой энцефалит во всех случаях распознается со 100 % вероятностью, тогда как уровень распознавания

Таблица 4

Показатели качества распознавания критических уровней заболеваемости различными инфекциями с использованием климатических факторов метеостанции «Партизанск» за период 1990-2005 гг.

Нозоформа Приморский край Владивосток

Без лага С лагом Без лага С лагом

Ветряная оспа 1,0 0,44 0,83 0,44

ОРЗ 1,0 0,67 0,86 0,83

Грипп 0,71 1,0 0,71 1,0

Краснуха 0,8 0,8 0,8 0,8

Инфекционный мононуклеоз 0,83 0,71 0,83 0,71

Гепатит А 0,5 1,0 0,8 1,0

Гепатит В 0,83 0,83 0,63 0,83

Коклюш 1,0 1,0 0,83 1,0

Менингококко-вая инфекция 0,67 0,8 0,71 0,83

Скарлатина 0,5 1,0 0,5 1,0

Туберкулез 1,0 0,83 0,75 0,83

Дизентерия 1,0 1,0 1,0 1,0

Гонорея 1,0 1,0 1,0 1,0

Сифилис 0,71 0,83 0,83 1,0

Аскаридоз 1,0 0,8 0,63 0,8

Энтеробиоз 1,0 1,0 0,56 0,8

Педикулез 1,0 1,0 1,0 1,0

Чесотка 1,0 1,0 1,0 1,0

ГЛПС 0,57 0,57 0,83 0,63

Клещевой энцефалит 0,83 0,71 0,83 0,83

Псевдотубер- кулез 1,0 0,83 0,71 1,0

Сальмонеллез 1,0 1,0 0,71 1,0

Болезнь Лайма 0,83 0,71 0,56 0,83

Клещевой рик-кетсиоз 0,71 1,0 0,83 1,0

Сумма показателей 20,49 20,53 18,74 21,16

Средний показатель 0,85 0,85 0,78 0,88

геморрагической лихорадки с почечным синдромом (ГЛПС)) значительно ниже и колеблется от 31 до 80 %. Столь контрастные различия характерны и для четвертой группы: например, это хорошо видно при сравнении данных по краснухе и гепатиту А (см. табл. 5).

В табл. 6 представлены материалы, отражающие качество распознавания критических уровней заболеваемости двух показательных инфекций, о которых было сказано выше, — ГЛПС и краснухи.

Как видно из данных табл. 6, промоделированы три комбинации сочетания климатических и эпидемических факторов: эпидемические факторы и климатические параметры метеостанций «Красный Яр» и «Партизанск» (по отдельности), а также их суммарное воздействие. В результате для всех критических уровней заболеваемости, за исключением одного случая, получено 100 % качество распознавания.

Таблица 5

Показатели качества распознавания критических уровней заболеваемости различными инфекциями с использованием эпидемических факторов за период 1975-2005

и 1990-2005 гг. по группам ин( зекций

іруп- па Нозоформа 1975-2005 гг. 1990-2005 гг.

Без лага С лагом Без лага С лагом

1 ГЛПС 0.31 0.42 0.8 0.67

Клещевой энцефалит 1.0 1.0 1.0 1.0

Псевдотубер- кулез 0.55 0.67 0.8 1.0

Сальмонеллез 0.5 0.5 1.0 1.0

Болезнь Лайма 0.83 1.0 0.83 1.0

Клещевой риккетсиоз 1.0 0.71 1.0 0.71

Сумма показателей 4.19 4.3 5.43 5.38

Средний показатель 0.7 0.72 0.91 0.9

2 Гонорея 1.0 0.8 1.0 1.0

Сифилис 1.0 1.0 1.0 1.0

Аскаридоз 1.0 1.0 1.0 0.8

Энтеробиоз 0.83 1.0 1.0 1.0

Педикулез 1.0 1.0 1.0 1.0

Чесотка 1.0 0.71 1.0 1.0

ОРЗ 1.0 0.86 1.0 1.0

Сумма показателей 6.83 6.37 7.0 6.8

Средний показатель 0.98 0.91 1.0 0.97

3 Коклюш 0.71 0.45 1.0 1.0

Менингококко-вая инфекция 1.0 1.0 1.0 1.0

Скарлатина 1.0 0.63 0.56 1.0

Туберкулез 1.0 1.0 1.0 1.0

Дизентерия 0.71 0.44 1.0 1.0

Грипп 0.57 0.8 1.0 1.0

Сумма показателей 4.99 4.32 5.56 6.0

Средний показатель 0.83 0.72 0.93 1.0

4 Краснуха 0.36 0.24 0.57 0.8

Ветряная оспа 0.8 0.57 0.8 0.57

Инфекционный мононуклеоз 0.45 0.5 0.45 0.5

Гепатит А 1.0 0.83 0.83 0.8

Гепатит В 0.75 0.55 1.0 1.0

Сумма показателей 3.36 2.69 3.65 3.67

Средний показатель 0.67 0.54 0.73 0.73

Таким образом, можно констатировать, что распознавание значительно повышается в результате суммарного воздействия факторов различной природы. В целом же ПКР критических уровней заболеваемости различными нозоформами могут колебаться в очень широких пределах, от менее 30 % до 100 % распознавания. При этом главным итогом данной части работы является то, что создана достаточно простая и удобная методика, когда путем комбинирования различных сочетаний воздействующих факторов и изменения длин рядов заболеваемости можно достигать 100 % распознавания критических уровней для всех без исключения инфекций, используемых в качестве прогнозных нозологических форм.

Рассмотрим теперь некоторые результаты собственно прогнозирования превышения критического уровня анализируемой заболеваемости с использова-

Таблица 6

Показатели качества распознавания критических уровней заболеваемости ГЛПС и краснухой с одновременным использованием климатических и эпидемических факторов за период 1990-2005 гг.

Факторы ГЛПС Краснуха

Критиче- ский ПКР- уровень Критиче- ский ПКР- уровень

Эпидемические 3,45 1,0 310 1,0

+ климатические 4,0 1,0 330 1,0

(Красный Яр) 4,4 1,0 400 1,0

Эпидемические 3,45 0,83 310 1,0

+ климатические 4,0 1,0 330 1,0

(Партизанск) 4,4 1,0 400 1,0

Эпидемические 3,45 1,0 310 1,0

+ климатические 4,0 1,0 330 1,0

(обе метеостанции) 4,4 1,0 400 1,0

нием климатических и эпидемиологических факторов (табл. 7 и 8). Так, в табл. 7 представлены прогноз достижения или превышения критического уровня заболеваемости теми или иными инфекциями в Приморье в 2006 году с помощью климатических факторов, а также верификация данного прогноза. Для конкретного примера использованы климатические факторы (5 голосов-экспертов), перечисленные выше, одной из метеостанций южного Приморья (метеостанция «Партизанск») с длиной рядов, охватывающих 16летний период (1990—2005).

Таблица 7

Прогноз достижения критического уровня заболеваемости разными нозоформами в Приморье в 2006 с использованием 5 климатических факторов метеостанции «Партизанск» за период 1990-2005 гг.

Нозоформа Критический уровень (на 100 тыс.) Прогноз (число голосов «за») Истинный уровень в 2006 г. (на 100 тыс.)

Ветряная оспа 500 4 620

ОРЗ 15300 4 13660

Грипп 1600 3 0,1

Краснуха 310 3 34,8

Инфекционный мононуклеоз 7,9 4 11,9

Гепатит А 176 3 17,4

Гепатит В 51 2 11,2

Коклюш 9,0 3 1,6

Менингококковая инфекция 5,0 4 3,5

Скарлатина 25 2 9,5

Туберкулез 109 4 135

Дизентерия 199 3 55,5

Гонорея 149 3 46,9

Сифилис 200 4 86,5

Аскаридоз 189 3 122

Энтеробиоз 630 3 121

Педикулез 300 3 109

Чесотка 400 3 150

ГЛПС 4,0 3 2,3

Клещевой энцефалит 6,5 4 3,4

Псевдотуберкулез 29 3 5,0

Сальмонеллез 44 3 45,5

Болезнь Лайма 10,2 2 10,5

Клещевой риккетсиоз 9,0 3 5,9

Анализируя данные табл. 7, можно остановиться на нескольких наиболее показательных моментах

временного прогнозирования с использованием климатических факторов.

Таблица 8

Прогноз достижения критического уровня заболеваемости разными нозоформами в Приморье в 2006 с использованием эпидемиологических факторов за период 1990-2005 гг. по группам инфекций

Іруп- па Нозоформа Критический уровень (на 100 тыс.) Прогноз (число голосов «за») Истинный уровень в 2006 г. (на 100 тыс.)

1 ГЛПС 4,4 2 2,3

Клещевой энцефалит 6,5 0 3,4

Псевдотуберкулез 29 0 5,0

Сальмонеллез 44 2 45,5

Болезнь Лайма 9,0 0 10,5

Клещевой риккетсиоз 10,0 0 5,9

2 Гонорея 149 2 46,9

Сифилис 200 1 86,5

Аскаридоз 192 3 122

Энтеробиоз 630 2 121

Педикулез 300 2 109

Чесотка 250 1 150

ОРЗ 15700 2 13660

3 Коклюш 9,0 0 1,6

Менингококковая инфекция 5,2 0 3,5

Скарлатина 28 1 9,5

Туберкулез 105 0 135

Дизентерия 200 0 55,5

Грипп 1900 0 0,1

4 Краснуха 310 0 34,8

Ветряная оспа 500 0 620

Инфекционный мононуклеоз 8,0 0 11,9

Гепатит А 176 0 17,4

Гепатит В 51 0 11,2

Во-первых, не отмечено ни одного случая из 24 «чистого» голосования, когда при прогнозировании «за» (см. табл. 7) были бы зафиксированы все пять факторов или, наоборот, ни одного.

Во-вторых, только в семи случаях прогнозирования (ветряная оспа, острые респираторные заболевания

— ОРЗ, инфекционный мононуклеоз, менингокок-ковая инфекция, туберкулез, сифилис и клещевой энцефалит) прогнозирование «за» осуществлялось одновременно четырьмя факторами, при вероятности прогноза от 44 до 83 %.

В-третьих, из семи указанных нозоформ прогноз был правильным в трех случаях (ветряная оспа, инфекционный мононуклеоз и туберкулез), в одном случае он оказался близок к реальности (ОРЗ), и в трех случаях прогноз не оправдался.

В-четвертых, в большинстве случаев прогнозирование «за» осуществлялось двумя или тремя факторами (из пяти), что весьма затрудняет объективную интерпретацию полученного результата прогноза.

Таким образом, итоги прогнозирования критических уровней заболеваемости с использованием указанных конкретных климатических факторов и их значений оказались в большинстве случаев неудовлетворительными.

В то же время результаты прогнозирования по эпидемиологическим параметрам на фоне прогнозирования «по климату» представляют принципиально иную картину и характеризуются достаточно высокой степенью точности. При этом подчеркнем, что прогнозирование критических уровней той или иной нозоформы осуществлялось в каждом случае не всем набором других сопутствующих инфекций, а только теми, которые были наиболее близки по своему характеру многолетнего движения, ранее выявленному путем кластеризации [2] и объединенные в четыре группы. Таким образом, при прогнозировании конкретных нозоформ в качестве голосов-экспертов в первой и третьей группе использовалось по пять нозоформ, во второй — шесть и в четвертой — четыре.

Анализируя данные табл. 8, видим, что в 14 случаях из 24 зарегистрировано «чистое» голосование, т. е. во всех указанных случаях количество голосов «за» равнялось нулю. Если к этому добавить результаты прогнозирования еще по трем инфекциям (сифилис, чесотка, скарлатина), когда количество голосов «за» равнялось единице, то можно признать голосование по эпидемиологическим факторам несравненно более весомым, чем «по климату». Верификация реализованного прогноза по 17 указанным нозологическим формам показала, что в 13 случаях прогноз полностью оправдался, а в четырех (болезнь Лайма, туберкулез, ветряная оспа и инфекционный мононуклеоз) оказался ошибочным, поскольку истинный уровень заболеваемости был хотя и незначительно, но выше критического (см. табл. 8).

В заключение необходимо отметить, что представленные два примера временного факторного прогнозирования, взятые из нескольких реализованных прогнозных вычислительных экспериментов, интересны не только с точки зрения их содержательной сущности. Главное, на наш взгляд, заключается в том, что используемый подход имеет огромные, практически неисчерпаемые потенциальные возможности. Другими словами, реально можно добиваться удовлетворительного и даже высокого качества прогноза путем неограниченного перебора или сочетания вариантов прогнозирования, т. е. использования различных воздействующих факторов и их комбинаций, разных длин рядов и критических уровней заболеваемости, использования временных лагов и т. д. Таким образом, показаны возможности и открывающиеся значительные перспективы временного факторного прогнозирования критических уровней инфекционной заболеваемости любой этиологии.

Список литературы

1. Болотин Е. И. О некоторых дискуссионных моментах относительно функциональной организации природных

очагов клещевого энцефалита / Е. И. Болотин // Паразитология. — 2006. — № 6. — С. 547—555.

2. Болотин Е. И. Пространственно-временная структура инфекционной заболеваемости населения Российского Дальнего Востока: системный подход / Е. И. Болотин,

B. Ю. Ананьев // Паразитология. — 2006. — № 4. —

C. 371- 383.

3. Болотин Е. И. Функциональная организация природных очагов зоонозных инфекций (на примере очагов клещевого энцефалита юга Российского Дальнего Востока) / Е. И. Болотин. — Владивосток : ДВГТУ, 2002.

— 150 с.

4. Гельцер Б. И. Прогнозирование в пульмонологии / Б. И. Гельцер, Л. В. Куколь, А. В. Пупышев, В. П. Колосов. — Владивосток : Дальнаука, 2005. — 182 с.

5. Григорьев М. А. Роль климатических факторов в краткосрочном прогнозировании заболеваемости населения клещевым энцефалитом (на примере Омской области) / М. А. Григорьев, А. И. Григорьев. — Омск : ОГПУ, 2005.

— 196 с.

6. Капица С. П. Синергетика и прогнозы будущего / С. П. Капица, С. П. Курдюмов, Г. Г. Малинецкий. — М. : Наука, 1997. — 285 с.

7. Налимов В. В. Анализ оснований экологического прогноза. Паттерн-анализ как ослабленный вариант прогноза // Человек и биосфера. Экологический прогноз / В. В. Налимов. — М., 1983. — Вып. 8. — С. 31—47.

8. Рабочая книга по прогнозированию. — М., 1982.

— 430 с.

THE FACTOR TEMPORAL PROGNOSIS OF CRITICAL LEVELS OF INFECTION DISEASES

E. I. Bolotin, *G. Sh. Tziziashvili, **S. Y. Fedorova

Pacific Institute of Geography FEB RAS, Vladivostok *Institute for Applied Mathematics FEB RAS, Vladivostok **FarEastern National Technical University, Vladivostok

A technique of temporal factor prognosis of critical levels of infection diseases has been elaborated and tested. This approach has a methodological and applied importance and may be used in medico-ecological and epidemiological investigation.

Key words: infection diseases, critical levels, temporal prognosis.

Контактная информация:

Болотин Евгений Ионович — доктор биологических наук, заведующий лабораторией социальной и медицинской географии Тихоокеанского института географии Дальневосточного отделения РАН

Адрес: 690041, г. Владивосток, ул. Радио, д. 7 Тел: (4232) 32-06-46; факс (4232) 31-21-59 E-mail: bolotin@tig.dvo.ru

Статья поступила 11.04.2008 г.