ОРИГИНАЛЬНАЯ СТАТЬЯ
ОС1: 10.21045/1811-0185-2022-9-51-58 УДК: 614.2.
МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ РАСПРОСТРАНЕНИЯ ЗАБОЛЕВАНИЙ В МИРЕ (ОБЗОР)
В.О. Щепин a, А.А. Загоруйченко b : , О.Б. Карпова c
ь c ФГБНУ «Национальный научно-исследовательский институт общественного здоровья имени Н.А. Семашко», г. Москва, Россия.
а https://orcid.org/0000-0002-0657-7623; ь https://orcid.org/0000-0002-4040-2800; c https://orcid.org/0000-0002-5173-0818
И Автор для корреспонденции: Загоруйченко А.А.
АННОТАЦИЯ
В современных условиях прогнозирование заболеваемости населения становится одной из самых актуальных задач здравоохранения во всем мире. Для государственных и международных служб здравоохранения с помощью построения прогноза возможной заболеваемости и распространенности различных болезней в общей популяции становится необходимым совершенствовать систему оказания специализированной помощи за счет возможности уточненного расчета необходимых ресурсов.
Цель исследования - провести анализ методологической основы прогнозирования заболеваемости населения на основе изучения и обобщения литературных источников.
Материалы и методы. Материалами для проведения анализа являлись научные публикации по вопросам прогнозирования и моделирования заболеваемости в различных подгруппах населения и территориях Российской Федерации и других стран. В ходе исследования применялись методы: сравнительного анализа, изучения и обобщения опыта, библиографический.
Результаты. В настоящее время существует целый ряд исследований, посвященных прогнозированию заболеваний, растет количество методических подходов к прогнозу возможных изменений эпидемиологической обстановки на различных территориях. В ходе исследования представлен обзор существующих методических подходов к прогнозированию заболеваемости населения в России и в мировом сообществе.
Выводы. Таким образом, проведенный анализ опыта прогнозирования заболеваемости позволип определить особенности применения тех или иных смешанных методик прогноза разных классов, групп и видов заболеваний, особенно при выявлении новых вирусов и заболеваний инфекционного характера.
Ключевые слова: заболеваемость населения, прогнозирование, методы прогнозирования, здравоохранение, классы болезней, моделирование.
Для цитирования: Щепин В.О., Загоруйченко А.А, Карпова О.Б. Методологические основы прогнозирования распространения заболеваний в мире (обзор) // Менеджер здравоохранения. 2022; 9: 51-58. DOI: 10.21045/1811-0185-2022-9-51-58.
Введение
I условиях современного формирования ,и развития эпидемий и пандемий, прогнозирование заболеваемости населения становится одной из самых актуальных задач здравоохранения во всем мире [1-3]. Для государственных и международных служб здравоохранения с помощью построения прогноза распространения различных болезней в общей популяции становится необходимым совершенствовать систему оказания специализированной помощи за счет возможности уточненного расчета необходимых ресурсов [3-8].
© Щепин В.О, Загоруйченко А.А, Карпова О.Б, 2022 г.
В контексте данного исследования под «прогнозированием» понимается «предвидение возможных изменений эпидемической обстановки на определенной территории, основанное на систематическом изучении и анализе разнообразных факторов, влияющих на развитие или угасание эпидемического процесса» [2].
Цель настоящего исследования -анализ методологической основы прогнозирования и моделирования заболеваемости населения, а также обзор основных методических подходов на основе изучения и обобщения литературных источников.
№9 Manager
2022 ZdrevoochreneniB ,
'Менеджер
здравоохранения
Материалы и методы
Материалами для проведения анализа являлись научные публикации по вопросам прогнозирования и моделирования заболеваемости в различных подгруппах населения и территориях Российской Федерации и других стран. В данном исследовании использовались следующие методы исследования: изучения и обобщения опыта, библиографический, информационно-аналитический. В статье были рассмотрены вопросы методологической основы прогнозирования, в том числе методические подходы и этап-ность, используемые в рамках построения прогнозов.
Систематизация материалов проведенного исследования показала особую актуальность научного поиска методических подходов к прогнозированию заболеваний различной этиологии, были освещены современные направления моделирования (прогнозирования) заболеваемости; была создана база данных по источникам литературы, представленная в табличной форме, учитывалась длительность наблюдений, критерии отбора, результаты исследования.
Результаты
В настоящее время существует множество основных решений и методических подходов в прогнозировании заболеваемости, в том числе традиционные методы анализа временных рядов; подходы, опирающиеся на машинное обучение (байесовские сети и искусственные нейронные сети); рассуждения на основе прецедентов, экспертные решения и др. [1—3]. Следует отметить, что имеются различные мнения по поводу классификации методических подходов к прогнозированию заболеваемости.
Теоретико-методологические основы понятия «прогнозирование»
Для формирования методологических основ прогнозирования необходимо особое внимание уделить общепринятым определениям в рамках систематизации имеющихся подходов и понятийному аппарату, включающему по смысловому содержанию: «модель», «прогноз», «метод», «система прогнозирования» (таблица 1).
Анализ накопленных данных показал, что важным этапом является оценка точности и достоверности прогнозирования при применении различных методических подходов. Следует отметить, что, по оценкам различных экспертов, точность прогноза в большей степени отражает качество его проведения, и на основании того, насколько совпадает с фактическим значением, рассчитываются различные виды ошибок прогнозирования, в качестве основной считают «взвешенную абсолютную процентную ошибку», хотя существует множество других видов (средняя абсолютная процентная ошибка, средняя процентная ошибка, медиана абсолютной процентной ошибки, средняя абсолютная масштабированная ошибка), а к основным этапам прогнозирования относятся: 1) четкая постановка целей и задач; 2) определение и изучение факторов, влияющих на прогнозирование заболеваемости; 3) сбор и систематизация материалов, выявление динамических изменений и тенденций распространения заболеваний; 4) построение прогноза и выявление ошибок; 5) сопоставление имеющихся результатов и проведение корректирующих мероприятий [9].
Актуальной проблемой, поставленной перед исследователями, является прогнозирование
Таблица 1
Теоретические основы понятийного аппарата «прогнозирование»
Понятие Определение Источник
Прогноз предсказание вероятности возникновения заболевания или характера течения и исхода болезни, основанное на знании закономерностей развития патологических процессов Медицинская энциклопедия
идеология, оправдывающая применение медицинскои технологии . . .. , Медицинская Модель и, таким образом, исключающая применение альтернативных практик энциклопедия и процедур
Метод сложный прием, упорядоченная совокупность простых приемов, направленных на разработку прогноза в целом; путь, способ достижения цели, исходящий из знания наиболее общих закономерностей
Система упорядоченная совокупность методик, технических средств, предна-прогнозирования значенная для прогнозирования сложных явлений или процессов
Моделирование инструмент для изучения механизмов, с помощью которых распространяются болезни, чтобы предсказать дальнейший ход вспышки и оценки стратегий для контроля эпидемий [3]
Менеджер
здравоохранения /
Мападег №9
2с1гт\/оосЬгвпвп'1в 2022
распространения инфекционных болезней, определение критериев для оценки риска развития эпидемического процесса (эпидситуации). В работе Л.В. Понотовой были рассмотрены, на основе применения экспертного метода и метода нечеткой логики антонимов, алгоритмы разработки инструментов оценки риска распространения инфекций (на примере лихорадки Западного Нила); в качестве параметров (критериев) были выбраны: «опасность источника инфекции; риск передачи инфекции, риск возникновения заболеваний среди людей, эффективность системы эпиднадзора» [10].
Отсутствие единого подхода в классификации подходов изменило взгляд на данную проблему, в связи с этим нами была представлена собственная классификация методических подходов исходя из дифференциации по классам заболеваний и широте применения отечественными и иностранными исследователями; далее представлены примеры использования методических подходов в различных странах и регионах (таблица 2). Таким образом, наглядно показано, что проблематично выделить как отдельное направление российский или зарубежный опыт прогнозирования заболеваемости, при этом в большой степени в мировом сообществе применяются смешанные методики.
Примеры использования методических подходов к прогнозированию распространения заболеваний
Так, одна из моделей позволяет оценить изменения уровня заболеваемости ВИЧ-инфекцией на протяжении многих лет на базе трех ключевых факторов: распространенность в прошлом, уровень инфицирования в прошлом и состояние стабилизации для учета повторных измерений внутри клиники; при этом такой подход улучшает соответствие преобладания над классической моделью пакета оценок и проекций и обеспечивает более реалистичные прогнозы, когда классическая модель сталкивается с проблемами [4]. На фоне глобального потепления климата в Южном Казахстане предлагается использовать краткосрочные прогнозы температур марта для прогнозирования уровня заболеваемости конго-крымской геморрагической лихорадкой [5]. Прогноз основных тенденций заболеваемости населения Харьковской области Украины определялся по классам болезней, которые нуждаются в мероприятиях со стороны государства [6].
В нынешних условиях наблюдается смена парадигмы подходов к моделированию распространения заболеваний в контексте внедрения цифровых методов и платформ, что связано с увеличением
темпов использования электронно-вычислительных машин и информационных технологий в процессе прогнозирования заболеваемости на отдельных территориях [9].
Так, при прогнозировании заболеваемости гриппом установлено, что модели должны одновременно отслеживать динамику передачи нескольких штаммов вируса в популяциях птиц, свиней и человека [11]. Для прогнозирования последствий пандемии гриппа, важно знать, как распространяется болезнь, поэтому рассмотрен опыт разработки агент-ориентированной имитационной модели пандемии в пределах мегаполиса США, а также эффекты, связанные со стратегиями смягчения последствий [12].
В основе большинства моделей лежат данные о зарегистрированных и сгруппированных по разным признакам случаях болезни. Например, ежедневное число случаев заболевания гепатитом А в Западной Австралии, сгруппированное по почтовым адресам [13]. Другим примером может служить метапопуля-ционная стохастическая модель, которая включает фактические данные о поездках и переписи населения и позволяет делать вероятностные прогнозы относительно риска возникновения вспышек и их масштабов. Уровень предсказуемости, предлагаемый моделью, может быть, количественно проанализирован и связан с появлением надежных взаимосвязей, представляющих собой наиболее вероятные пути распространения болезни [14].
Следует отметить, что в рамках изучения прогнозов заболеваний математическое моделирование может дать понимание хода и продолжительности эпидемии, потенциально способствуя управлению чрезвычайными ситуациями в режиме реального времени. Например, прогноз вспышки холеры на Гаити в 2010-2011 годах основывался на основе четырех независимых модельных исследований, при этом рассматривалось влияние различных подходов к моделированию пространственного распространения холерных вибрионов и механизмов передачи холеры, учитывающих динамику восприимчивых и инфицированных особей в различных локальных сообществах человека [15]. Согласно зарубежному опыту одним из методов прогнозирования заболеваний является метеорологическое, экологическое дистанционное зондирование и нейросетевой анализ.
Так, в одном из исследований описаны четкая зависимость и влияние климатических прогнозов на заболеваемость малярией в Таиланде. При этом осадки, температура, относительная влажность и индекс растительности, полученные как из
С
#хс
№ 3 Мападег
2022 2с1гв^/оос1-1гвпеп1а
/Менеджер
здравоохранения
Таблица 2
Особенности методических подходов к опыту прогнозирования заболеваний в России и в мире (по отдельным классам МКБ-10)
№ п/п Класс заболеваний по МКБ-10 Методы прогнозирования заболеваний Содержание метода Примечание*
Болезни органов дыхания Разработка нейросетевых моделей прогнозирования (нейроимитатор) Отечественный опыт
- грипп Использование астрономических Отечествен- единиц отсчета времени возникновения „ ный опыт патологии
Моделирование Модели должны одновременно отслеживать динамику передачи нескольких штаммов гриппа в популяциях птиц, свиней и человека, что может помочь в борьбе с пандемией, ведь в данном случае крайне необходима глобальная стратегия сотрудничества, чтобы богатые ресурсами страны делились своими вакцинами и противовирусными препаратами. Зарубежный опыт
Обычно применяется при численном прогнозировании погоды на основе наличия в режиме реального времени веб-оценок, с учетом местного уровня х, инфицирования гриппом, что делает Зарубежный Метод ассимиляции данных т г- возможным такой тип количественного опыт прогнозирования; предсказания времени пика в реальном времени могут быть сделаны более чем за 7 недель до фактического пика.
2 Некоторые инфекционные и паразитарные заболевания Эпидемиологический анализ, построение временных рядов
Методы анализа и прогнозирования временных рядов (трендовый метод), казуаль- „ - зооантропонозная г- \ г- Отечествен, ные (причинно-следственные и эпидемиоло- „ трихофития л ный опыт гические методы) с выявлением наиболее достоверного варианта
- ВИЧ-инфекция Эконометрический анализ Отечественный опыт
Разработка новой модели, которая позволяет уровню ВИЧ-инфекции изменяться в течение многих лет на базе трех ключевых факторов: распространенность в прошлом, уровень ,,. инфицирования в прошлом и состояние Зарубежный Математическое моделирование стабилизации для учета повторных из- опыт мерений внутри клиники; при этом такой подход улучшает соответствие преобладания над классической моделью пакета оценок и проекций и обеспечивает более реалистичные прогнозы.
- кишечные инфекции Аналитические методы оценки санитарно-гигиенических показателей качества воды Отечественный опыт
- крымская геморрагическая Краткосрочные прогнозы температур -э ^ Зарубежный лихорадка (вызванная вирусом марта для прогнозирования уровня Конго) заболеваемости
3. Болезни кожи и подкожной кллетаттк
_ Отечествен- аллергические дерматозы Системный анализ „ ный опыт
Болезни системы кровообращения
Метод экстраполяции на основании Отечествен- ревматизм ^ ^ ~ разработанных уравнений тренда ный опыт
Менеджер / Мападег № 9
здравоохранения / 2с1гв\/оосЬгвпвп'1в 2022
климатических временных рядов, так и по данным спутниковых измерений, использовались в качестве независимых переменных для моделирования на основе применения нейросетевого анализа [16]. Другим методом прогнозирования заболеваемости малярией был метод на основе исторических моделей заболеваемости в районах с нестабильной передачей инфекции.
Обзор пяти разных методов прогнозирования, использующих данные о заболеваемости, полученные из медицинских организаций, позволил оценить точность каждого из них путем вычисления ошибок, возникающих в результате разницы между наблюдаемой частотой встречаемости и соответствующими прогнозами, полученными для интервалов прогнозирования до 12 месяцев. В результате было выявлено, что модели, основанные на ретроспективных данных о заболеваемости, имеют ограниченные возможности, поскольку показатели претерпевают изменения с течением времени. В этой связи, метод сезонной корректировки, учитывавший динамические изменения эпидемической ситуации, а также внешние предикторы в виде метеорологических факторов, показал наилучшие прогнозы [17].
На примере острых респираторных вирусных инфекций были апробированы три типа методов анализа временных рядов на основе ежедневных вероятных новых случаев заболевания: модель бок-са-Дженкинса, модель случайного блуждания по логарифмически преобразованным ежедневным зарегистрированным случаям, комбинация подгонки кривой роста и авторегрессионной средней модели ARMA (1,1) [18]. В США предложена новая стохастическая модель изучения динамики заболеваемости гриппом в крупных мегаполисах. Целью создания такой модели стало смягчение и отсрочка эпидемии с помощью фармацевтических вмешательств и мер социального дистанцирования [19].
Анализ научных публикаций показал, что моделирование и прогнозирование сезонной передачи гриппа в теплых регионах часто связано с климатическими факторами. Так, на примере модели авторегрессии интегрированной скользящей средней (ARIMA) в двух регионах (Гонконг (Китай) и округ Марикопа (Аризона, США)) показано, что включение климатических переменных (температура поверхности Земли (LST), количество осадков и относительная влажность и др.) в качестве входных рядов показывает лучшие результаты [20]. В настоящее время существует еще один подход к прогнозированию заболеваемости гриппом - это построение
модели, предназначенной для предоставления от дельным медицинским центрам заблаговременного предупреждения об ожидаемом количестве случаев инфекции. Прогноз строится на одну неделю вперед на основе еженедельных подсчетов подтвержденных случаев гриппа в течение семи сезонов [21].
Важную роль при прогнозировании распространения эпидемий гриппа является такой непараметрический метод аналогов, который использует векторы, выбранные из исторических временных рядов гриппа, соответствующие текущей активности. Такой метод был использован для прогнозирования заболеваемости во Франции, что позволило разработать карты прогнозов эпидемии гриппа в разных административных образованиях страны [22].
Обсуждение
Значимость решения данной проблемы подтверждается многими публикациями и результатами исследований, поэтому систематизация и обобщение имеющихся данных легли в основу проведенного анализа.
В отечественной практике прогнозирования распространения заболеваний особое место отводится моделированию, при построении подобных прогнозов использованы различные виды (логистическое, стохастическое, имитационное) [23-29].
Следует отметить, что отдельно были выделены основные направления использования математического моделирования в медицине и эпидемиологии, к которым авторы отнесли: 1) «оценку эффективности различных комплексов мер противодействия развитию эпидемического процесса при ЧС в области санитарно-эпидемиологического благополучия населения»; 2) «научно-обоснованную оперативную оценку возможного экономического ущерба при возникновении эпидемии особо опасных болезней с учетом мер противодействия эпидемическому процессу при различных начальных условиях»; 3) «оценку готовности медицинских служб к ликвидации последствий чрезвычайных ситуаций в области санитарно-эпидемиологического благополучия населения, включая расчет необходимого количества средств индивидуальной защиты, средств экстренной профилактики и др.» [30].
В ходе построения прогнозов по различным классам заболеваний разрабатываются вероятные схемы развития эпидемических процессов, применяются меры экстренной профилактики и самоизоляции, мероприятия по расчету количества необходимых препаратов; так, с учетом развития новых
С
«КС
№ 3 Manager
2022 Zdravoochranania
/Менеджер
здравоохранения
информационных технологий начала применяться программа STEM, которая позволяет визуализировать результаты распространения эпидемий и подходит для изучения различных вирусов [30, 31].
С помощью разработанной системы EpiSims были проанализированы в системе все физические контакты между людьми на примере мегаполисов, определяющим фактором являлось время начала соответствующих профилактических мероприятий; при этом изучение опыта распространения лёгочной чумы в Чикаго показало, что стоимость массового
приема антибиотиков оказалась по сопоставимости гораздо менее затратной, чем изоляция населения и отслеживание физических контактов [32].
Заключение
Таким образом, проведенный анализ опыта прогнозирования заболеваемости позволит определить особенности применения тех или иных смешанных методик прогноза разных классов, групп и видов заболеваний, особенно при выявлении новых вирусов и заболеваний инфекционного характера.
1. Кондратьев М.А. Методы прогнозирования и модели распространения заболеваний //Компьютерные исследования и моделирование. - 2014. - № 5.
2. Прогнозирование эпидемиологическое. [Электронный ресурс] - URL: https://fractalhd.ru/prognozirovanie-epidemiologicheskoe/(Accessed: 16.09.2022).
3. Математическое моделирование инфекционных заболеваний. [Электронный ресурс] - URL: https:// ru.qwe.wiki/wiki/Mathematical_modelling_of_infectious_disease (Accessed: 16.09.2022).
4. Pelat C. et al. Online detection and quantification of epidemics // BMC Medical Informatics and Decision Making. 2007. - Vol. 7. - № 29.
5. Байтанаев А.О. et al. Экологические особенности заболеваемости конго-крымской геморрагической лихорадкой и применение ГИС-технологий для ее изучения в Южном Казахстане // Наука и Мир. - 2014. -№ 8.
6. Кизим Н.А., Доровской А.В. Анализ и прогнозирование тенденций заболеваемости населения Украины и Харьковской области // Проблемы экономики. - 2010. - № 3.
7. Coburn B.J, Wagner B.G., Blower S. Modeling influenza epidemics and pandemics: insights into the future of swine flu (H1N1) // BMC Medicine. - 2009. - Vol. 7.
8. PaleshiA. et al. Simulation of mitigation strategies for a pandemic influenza // Proceedings of the 2011 Winter Simulation Conference (WSC). Phoenix. AZ. 2011.
9. Балута В.И., Осипов В.П., Сивакова Т.В. Технология комплексного моделирования эпидемиологической обстановки // Научный сервис в сети Интернет: труды XXII Всероссийской научной конференции (2125 сентября 2020 г.). - М.: ИПМ им. М.В. Келдыша, 2020.
10. Понотова Л.В. Разработка инструмента оценки риска распространения «новых» инфекционных заболеваний //Медицина и образование в Сибири. 2007. - № 1.
11. Watkins R.E. et al. Disease surveillance using a hidden Markov model // BMC Med Inform Decis Mak. -2009. - Vol. 39. - № 9.
12. Colizza V. et al. Predictability and epidemic pathways in global outbreaks of infectious diseases: the SARS case study // BMC Medicine. - 2007. - Vol. 34. - № 5.
13. Rinaldo A. et al. Reassessment of the 2010-2011 Haiti cholera outbreak and rainfall-driven multiseason projections // PNAS. - 2012. - № 109(17).
14. Kiang R. et al. Meteorological, environmental remote sensing and neural network analysis of the epidemiology of malaria transmission in Thailand // Geospatial Health. - 2006. - № 1(1).
15. Abeku T.A. et al. Forecasting malaria incidence from historical morbidity patterns in epidemic-prone areas of Ethiopia: a simple seasonal adjustment method performs best // Trop Med Int Health. - 002. - № 7.
16. Lai D. Monitoring the SARS Epidemic in China: A Time Series Analysis // Journal of Data Science. - 2005. -№ 3 (3).
17. Chao D.L. et al. Publicly Available Stochastic Influenza Epidemic Simulation Model // PLoS Computational Biology. - 2010. - № 6(1).
18. Soebiyanto R.P. et al. Modeling and Predicting Seasonal Influenza Transmission in Warm Regions Using Climatological Parameters // PLoS ONE. - 2010. - № 5(3).
19. Dugas A.F. et al. Influenza Forecasting with Google Flu Trends // PLoS ONE. - 2013. - № 8 (2).
20. Viboud C. et al. Prediction of the Spread of Influenza Epidemics by the Method of Analogues // American Journal of Epidemiology. 2003. 158; (10).
21. Siettos C.I, Russo L.. Mathematical modeling of infectious disease dynamics // Virulence. - 2013. - № 4(4).
22. Unkel S. et al. Statistical methods for the prospective detection of infectious disease outbreaks: a review // Journal of the Royal Statistical Society: Series A (Statistics in Society). - 2012. - Vol. 175. - № 1.
Менеджер
здравоохранения /
Maneger №3
ZdrevoochreneniB 2022
23. Платонова Т.А. и др. Многофакторное имитационное моделирование в прогнозе заболеваемости корью на ближайшую и отдаленную перспективу // Эпидемиология и инфекционные болезни. - 2018. - № 23(5).
24. Мингазова Э.Н, Бакирова Э.А., Шигабутдинова Т.Н. Динамика изменений и прогностические модели уровней заболеваемости городского и сельского населения субъекта Российской Федерации // Проблемы социальной гигиены, здравоохранения и истории медицины. - 2021. - № 29(6).
25. Хабриев Р.У. и др. Прогноз рождаемости и заболеваемости населения субъектов Российской Федерации с позиции оценки репродуктивного потенциала // Здравоохранение Российской Федерации. - 2021. -№ 65(6).
26. Баран В.И., Баран Е.П. Имитационное моделирование процессов развития пандемии // Вестник Российского университета кооперации. - 2021. - № 3(45).
27. Куркин А.А., Куркина О.Е, Пелиновский Е.Н. Логистические модели распространения эпидемий // Труды НГТУ им. Р.Е. Алексеева. - № 2(129).
28. Шогенова Е.М. Стохастическая математическая модель вирусной эпидемии // Известия Кабардино-Балкарского научного центра РАН. - 2015. - № 6-2(68).
29. Янчевская Е.Ю, Меснянкина О.А. Математическое моделирование и прогнозирование в эпидемиологии инфекционных заболеваний // Вестник Российского университета дружбы народов. Серия: Медицина. 2019. - Т. 23. - № 3.
30. Лопатин А.А. и др. Современное состояние проблемы математического моделирования и прогнозирования эпидемического процесса // Проблемы особо опасных инфекций. - 2010. - № 3(105).
31. Ford D.A., Kaufman J.H. & Eiron I. An extensible spatial and temporal epidemiological modelling system // Int J Health Geogr. - 2006. - № 5.
32. Ижуткин B.C., Сёмин П.Н. Программная реализация математических моделей распространения эпидемий // Международный журнал экспериментального образования. - 2015. - № 2-1.
ORIGINAL PAPER
METHODOLOGICAL FOUNDATIONS OF FORECASTING THE SPREAD OF DISEASES IN THE WORLD (REVIEW)
V.O. Shchepin a, A.A. Zagoruychenkob : , O.B. Karpova c
a, b, c n.A. Semashko National Research Institute of Public Health, Moscow, Russia.
a https://orcid.org/0000-0002-0657-7623; b https://orcid.org/0000-0002-4040-2800; c https://orcid.org/0000-0002-5173-0818
El Corresponding author: Zagoruychenko A.A.
ABSTRACT
In modern conditions, the prediction of the morbidity of the population is becoming one of the most urgent tasks of public health worldwide. For state and international health services, with the help of forecasting the possible incidence and prevalence of various diseases in the general population, it becomes necessary to improve the system of providing specialized care due to the possibility of an updated calculation of the necessary resources.
Purpose of the study is to analyze the methodological basis for predicting the morbidity of the population based on the study and generalization of literary sources.
Materials and methods. The materials for the analysis were scientific publications on the issues of forecasting and modeling of morbidity in various subgroups of the population and territories of the Russian Federation and other countries. In the course of the research, such methods as comparative analysis, study and generalization of experience, bibliographic were used. Results. Currently, there are a number of studies devoted to disease prediction, and the number of methodological approaches to predicting possible changes in the epidemiological situation in various territories is growing. The study provides an overview of existing methodological approaches to predicting the morbidity of the population in Russia and in the world community. Findings. Thus, the analysis of the experience of predicting morbidity made it possible to determine the features of the use of certain mixed methods of forecasting different classes, groups and types of diseases, especially when identifying new viruses and infectious diseases.
Keywords: population morbidity, forecasting, forecasting methods, health care, classes of diseases.
For citation: Shchepin V.O., Zagoruychenko A.A, Karpova O.B. Methodological foundations of forecasting the spread of diseases in the world (review) // Manager Zdravoohranenia. 2022; 9: 51-58. DOI: 10.21045/1811-0185-2022-9-51-58.
•КС
№3 Manager
2022 Zdravoochranenia
/Менеджер
здравоохранения
REFERENCES
1. Kondratiev M.A. Methods of forecasting and models of the spread of diseases // Komp'juternye issledovanija i modelirovanie. - 2014. - № 5.
2. Epidemiological forecasting. [Electronic resource] - URL: https://fractalhd.ru/prognozirovanieepidemiologicheskoe/ (Accessed: 16.09.2022).
3. Mathematical modeling of infectious diseases. [Electronic resource] - URL: https://ru.qwe. wiki/wiki/Mathematical_ modelling_of_infectious_disease (Accessed: 16.09.2022).
4. Pelat C. et al. Online detection and quantification of epidemics // BMC Medical Informatics and Decision Making. 2007. - Vol. 7. - № 29.
5. Bajtanaev A. O. et al. Ecological features of the incidence of Congo-Crimean hemorrhagic fever and the use of GIS technologies for its study in Southern Kazakhstan // Nauka i Mir. - 2014. - № 8.
6. Kizim N.A., Dorovskoj A.V. Analysis and forecasting of morbidity trends in the population of Ukraine and Kharkiv region // Problemy jekonomiki. - 2010. - № 3.
7. Coburn B.J, Wagner B.G, Blower S. Modeling influenza epidemics and pandemics: insights into the future of swine flu (H1N1) // BMC Medicine. - 2009. - Vol. 7.
8. Paleshi A. et al. Simulation of mitigation strategies for a pandemic influenza // Proceedings of the 2011 Winter Simulation Conference (WSC). Phoenix. AZ. 2011.
9. Baluta V.I, Osipov V.P, Sivakova T.V. Technology of complex modeling of the epidemiological situation // Nauchnyj servis v seti Internet: trudy XXII Vserossijskoj nauchnoj konferencii (21-25 sentjabrja 2020 g.). - M.: IPM im. M.V. Keldysha, 2020.
10. Ponotova L.V. Development of a risk assessment tool for the spread of "new" infectious diseases //Medicina i obrazovanie v Sibiri. - 2007. - № 1.
11. Watkins R.E. et al. Disease surveillance using a hidden Markov model // BMC Med Inform Decis Mak. - 2009. -Vol. 39. - № 9.
12. Colizza V. et al. Predictability and epidemic pathways in global outbreaks of infectious diseases: the SARS case study // BMC Medicine. - 2007. - Vol. 34. - № 5.
13. Rinaldo A. et al. Reassessment of the 2010-2011 Haiti cholera outbreak and rainfall-driven multiseason projections // PNAS. - 2012. - № 109(17).
14. Kiang R. et al. Meteorological, environmental remote sensing and neural network analysis of the epidemiology of malaria transmission in Thailand // Geospatial Health. - 2006. - № 1(1).
15. Abeku T.A. et al. Forecasting malaria incidence from historical morbidity patterns in epidemic-prone areas of Ethiopia: a simple seasonal adjustment method performs best // Trop Med Int Health. - 2002. - № 7.
16. Lai D. Monitoring the SARS Epidemic in China: A Time Series Analysis // Journal of Data Science. - 2005. - № 3(3).
17. Chao D.L. et al. Publicly Available Stochastic Influenza Epidemic Simulation Model // PLoS Computational Biology. -2010. - № 6(1).
18. Soebiyanto R.P. et al. Modeling and Predicting Seasonal Influenza Transmission in Warm Regions Using Climatological Parameters // PLoS ONE. - 2010. - № 5(3).
19. Dugas A.F. et al. Influenza Forecasting with Google Flu Trends // PLoS ONE. - 2013. - № 8(2).
20. Viboud C. et al. Prediction of the Spread of Influenza Epidemics by the Method of Analogues // American Journal of Epidemiology. 2003. 158; (10).
21. Siettos C.I, Russo L. Mathematical modeling of infectious disease dynamics // Virulence. - 2013. - № 4(4).
22. Unkel S. et al. Statistical methods for the prospective detection of infectious disease outbreaks: a review // Journal of the Royal Statistical Society: Series A (Statistics in Society). - 2012. - Vol. 175. - № 1.
23. Platonova T.A. et al. Multifactorial simulation modeling in the forecast of measles incidence in the near and long term // Jepidemiologija i infekcionnye bolezni. - 2018. - № 23(5).
24. Mingazova E.N, Bakirova E.A., Shigabutdinova T.N. Dynamics of changes and prognostic models of morbidity levels of urban and rural population of the subject of the Russian Federation // Problemy social'noj gigieny, zdravoohranenija i istorii mediciny. - 2021. - № 29(6).
25. Khabriev R.U. et al. The forecast of fertility and morbidity of the population of the subjects of the Russian Federation from the perspective of assessing reproductive potential // Zdravoohranenie Rossijskoj Federacii. - 2021. - № 65(6).
26. Baran V.I, Baran E.P. Simulation modeling of pandemic development processes // Vestnik Rossijskogo universiteta kooperacii. - 2021. - № 3(45).
27. Kurkin A.A., Kurkina O.E., Pelinovskij E.N. Logistic models of epidemic spread // Trudy NGTU im. R.E. Alekseeva. -№ 2(129).
28. Shogenova E.M. Stochastic mathematical model of a viral epidemic // Izvestija Kabardino-Balkarskogo nauchnogo centra RAN. - 2015. - № 6-2 (68).
29. Janchevskaja E.Ju, Mesnjankina O.A. Mathematical modeling and forecasting in the epidemiology of infectious diseases // Vestnik Rossijskogo universiteta druzhby narodov. Serija: Medicina. - 2019. - T. 23. - № 3.
30. Lopatin A.A. et al. The current state of the problem of mathematical modeling and forecasting of the epidemic process // Problemy osobo opasnyh infekcij. - 2010. - № 3(105).
31. Ford D.A., Kaufman J.H. & Eiron I. An extensible spatial and temporal epidemiological modelling system // Int J Health Geogr. - 2006. - № 5.
32. Izhutkin V.S., Sjomin P.N. Software implementation of mathematical models of epidemic spread // Mezhdunarodnyj zhurnal jeksperimental'nogo obrazovanija. - 2015. - № 2-1.
Менеджер
здравоохранения /
Maneger № 3
ZdrevoochreneniB 2022