CC BY
75
АНАЛИЗ РИСКА ЗДОРОВЬЮ В ЭПИДЕМИОЛОГИИ
УДК 616.99: 578.426 Чяааь
Б01: 10.21668/ЬеаИЬ.Й8к/2019.1.07 онлайн ^
ЗАБОЛЕВАЕМОСТЬ КЛЕЩЕВЫМ ВИРУСНЫМ ЭНЦЕФАЛИТОМ В РЯДЕ СУБЪЕКТОВ УРАЛЬСКОГО ФЕДЕРАЛЬНОГО ОКРУГА С ПРОГНОЗНОЙ ОЦЕНКОЙ ЭПИДЕМИЧЕСКОЙ СИТУАЦИИ НА КРАТКОСРОЧНЫЙ ПЕРИОД
В.А. Мищенко1'2, О.В. Ладыгин1, И.П. Быков1, Ю.А. Захарова1, А.Г. Сергеев1'3, И.А. Кшнясев2
Екатеринбургский научно-исследовательский институт вирусных инфекций Роспотребнадзора, Россия, 620030, г. Екатеринбург, ул. Летняя, 23
2Институт экологии растений и животных УрО РАН, Россия, 620144, г. Екатеринбург, ул. 8 Марта, 202 3Уральский государственный медицинский университет Минздрава России, Россия, 630028, г. Екатеринбург, ул. Репина, 3
Экстраполяционное прогнозирование эпидемического проявления клещевого вирусного энцефалита (КВЭ) на эндемичных территориях на основании анализа временных рядов заболеваемости является перспективным подходом в прогнозных медико-экологических и эпидемиологических исследованиях.
Исследована многолетняя динамика числа людей, пострадавших от присасывания иксодовых клещей, и заболеваемость клещевым вирусным энцефалитом (КВЭ) в четырех субъектах Уральского федерального округа (УФО) за период с 2007 по 2017 г.
В качестве математической модели использовали сумму гармонических функций, параметры которых находили с помощью процедуры нелинейного оценивания Левенберга - Маркварта. Гибкость метода позволяет использовать как общие для регионов значения параметров гармонического колебания, так и оценивать интересующие межрегиональные контрасты (среднемноголетние значения и прочие параметры колебаний). Для оценки динамики количества пострадавших от укусов клещей и заболеваемости КВЭ в субъектах УФО за период наблюдения и прогнозирования развития эпидемиологической ситуации на ближайшие годы было построено несколько моделей гармонической регрессии с различным числом оцениваемых параметров. Для сравнения и ранжирования моделей использовали состоятельный информационный критерий Акаике, определяющий оптимальность как компромисс между точностью и сложностью модели.
Проведенный анализ заболеваемости КВЭ за период с 2007 по 2017 г. в Свердловской, Челябинской, Тюменской и Курганской областях позволил количественно оценить различия в среднемноголетних показателях между субъектами УФО. В Курганской области зафиксирован наибольший среднемноголетний уровень заболеваемости, а в Свердловской и Челябинской - наименьший. При этом в Свердловской, Челябинской и Тюменской областях за тот же период наблюдения количество пострадавших от присасывания клещей было выше, чем в Курганской области. Показано, что многолетние колебания активности клещей в УФО можно считать синфазными, что может свидетельствовать о существовании региональной синхронизации. Установлены квазипериоды циклов как для числа пострадавших от укусов клещей, так и показателя заболеваемости КВЭ. На основе предложенной гармонической модели построен краткосрочный прогноз эпидемической ситуации по КВЭ в регионах на период до 2022 г., показан вероятный пик заболеваемости КВЭ в 2020-2021 гг.
Ключевые слова: клещевой вирусный энцефалит, заболеваемость, количество пострадавших, моделирование, прогнозирование, селекция моделей, циклические колебания, параметры.
© Мищенко В.А., Ладыгин О.В., Быков И.П., Захарова Ю.А., Сергеев А.Г., Кшнясев И.А., 2019
Мищенко Владимир Алексеевич - научный сотрудник лаборатории трансмиссивных вирусных инфекций и клещевого энцефалита, инженер-исследователь лаборатории эволюционной экологии (e-mail: [email protected]; тел.: 8 (343) 261-99-47).
Ладыгин Олег Вадимович - ведущий научный сотрудник, заведующий лабораторией трансмиссивных вирусных инфекций и клещевого энцефалита (e-mail: [email protected]; тел.: 8 (343) 261-99-47).
Быков Иван Петрович - кандидат медицинских наук, старший научный сотрудник лаборатории трансмиссивных вирусных инфекций и клещевого энцефалита (e-mail: [email protected]; тел.: 8 (343) 261-99-47).
Захарова Юлия Александровна - доктор медицинских наук, заместитель директора по научной работе, руководитель отдела эпидемиологии вирусных инфекций, главный научный сотрудник (e-mail: [email protected]; тел.: 8 (343) 261-99-47).
Сергеев Александр Григорьевич - руководитель отдела индикации и диагностики вирусных инфекций, главный научный сотрудник, доктор медицинских наук, профессор, заведующий кафедрой микробиологии, вирусологии и иммунологии (e-mail: [email protected]; тел.: 8 (343) 214-86-95).
Кшнясев Иван Александрович - кандидат биологических наук, старший научный сотрудник лаборатории по-пуляционной экологии и моделирования (e-mail: [email protected]; тел.: 8 (343) 210-38-58).
Со времени открытия клещевого вирусного энцефалита (КВЭ) в 1937 г. до настоящего времени произошли существенные изменения в эпидемиологии данной инфекции, связанные, в первую очередь, с формированием антропургических очагов вокруг городов, расположенных на эндемичных территориях [1, 2]. Свердловскую, Челябинскую, Тюменскую и Курганскую области относят к числу промышлен-но развитых регионов России с относительно высоким уровнем жизни населения. Эти области, за исключением Курганской, являются высокоурбанизированными регионами, удельный вес городского населения в них составляет 82, 87, 80 и 62 % соответственно. Так, численность населения Свердловской области составляет 4,4 млн человек при плотности 22,6 чел./км2 В Челябинской области проживают 3,5 млн человек при плотности 40,4 чел./км2. Численность населения Тюменской области (без автономных округов) составляет 1,45 млн человек, плотность - 8,2 чел./км2, Курганской - 0,85 млн человек и 11,95 чел./км2. Перечисленные области являются природными и антропургическими очагами инфекций, переносимых клещами [3-6].
Эндемичными по КВЭ являются территории Свердловской, Челябинской, Тюменской областей. В Курганской области из 26 административных территорий эндемичными являются 19 [7]. Несмотря на меры специфической и неспецифической профилактики, проводимые местными органами здравоохранения и Роспотребнадзора, эпидемическая ситуация по КВЭ на эндемичных территориях остается сложной [8, 9].
Известно, что уровень заболеваемости населения КВЭ на эндемичных территориях находится в прямой зависимости от активности иксодовых клещей в весенне-летний период. Существует закономерная связь между обращаемостью по поводу присасывания клещей и заболеваемостью [10]. Во время ежегодных подъемов заболеваемости КВЭ в весенне-летний период значительную часть больных составляют лица, не имеющие прививочного анамнеза или не получившие полного курса вакцинации. Подъемы и спады заболеваемости на эндемичных территориях носят циклический характер. В основе такой цикличности лежат биологические (периодические изменения численности естественных про-кормителей клещей) и погодно-климатические (температура и влажность воздуха в период активности клещей) факторы [11].
За счет прироста городского населения произошло значительное увеличение групп риска и, как следствие, рост заболеваемости КВЭ. Это потребовало изменения тактики вакцинации, а именно перехода на территории УФО от иммунизации профессиональных групп риска к массовой вакцинации населения. В результате - в последние 10 лет удалось существенно, в 4 раза, снизить заболеваемость КВЭ по сравнению со среднемноголетним уровнем [12, 13].
В период с 1956 по 1999 г. наблюдалось чередование подъемов и спадов заболеваемости с интервалом в 3-4 года. С 1999 г. в условиях массовой иммунизации против КВЭ в регионе отмечалось изменение динамики показателей заболеваемости [12, 14].
Цель исследования - описать динамику заболеваемости и числа пострадавших от присасывания клещей в Челябинской, Тюменской, Курганской и Свердловской областях за одиннадцатилетний период (2007-2017 гг.) и на основе математического моделирования составить прогноз развития эпидемической ситуации на краткосрочный период.
Материалы и методы. Изучение многолетней динамики заболеваемости КВЭ в УФО проведено на основании формы № 2 государственной статистической отчетности «Сведения об инфекционных и паразитарных заболеваниях» ФБУЗ «Федеральный центр гигиены и эпидемиологии» Роспотребнадзора. Данные о пострадавших от укусов клещей в УФО получены из материалов ежегодных Государственных докладов Управлений Роспотребнадзора по субъектам РФ о состоянии санитарно-эпидемиологического благополучия населения.
Данные по заболеваемости КВЭ и числу пострадавших от укусов клещей логарифмировали для преобразования в аддитивную шкалу и стабилизации дисперсии. В качестве математической модели использовали сумму гармонических функций:
y = Е [bi + a,cos (œt + ф)], (1)
параметры которых (среднее, амплитуда, циклическая частота, начальная фаза) находили с помощью процедуры нелинейного оценивания Левенберга -Маркварта в ПСП Statistica 12.0 (StatSoft). Гибкость метода позволяет как использовать общие для регионов значения параметров гармонического колебания, так и оценивать интересующие межрегиональные контрасты, например, в среднемноголетних значениях (Д = bi - bj), в амплитудах (Д = ai - aj) и прочих параметрах колебаний. Регионы УФО кодировались с помощью фиктивных переменных -бинарных маркеров (0 или 1); не включаемый в список предикторов регион задает референтный (базовый) уровень (b0), относительно которого оцениваются контрасты для прочих. Игнорирование региональных маркеров задает редуцированную модель с общей оценкой параметров.
Для сравнения и ранжирования моделей использовали информационный критерий Акаике (Akaike information criterion - AIC), определяющий оптимальность как компромисс между точностью и сложностью модели [15]. Меньшей величине AIC соответствует и статистически более адекватная модель. Сравнение моделей выполнено на основе состоятельного критерия Акаике, рассчитанного по формуле
CAIC = m ln (RSS/m) + k [1 + ln (m)], (2)
где m - число наблюдений, RSS - остаточная сумма квадратов - мера изменчивости, не воспроизводимая
моделью, k - число параметров. Таким образом, первое слагаемое формулы служит мерой точности, а второе - сложности (числа параметров) модели. Данная модификация, в сравнении с Л1С, назначает более жесткий «штраф» за дополнительные параметры [16-18].
«Вес» (относительное правдоподобие) каждой модели, рассчитанный по формуле
wi = ехр (-0,5АСЛС) / Еехр (-0,5АСЛ1С), (3)
использовали для ранжирования и сравнения конкурирующих моделей. Представленный «вес» wi интерпретировали как вероятности того, что 1-я модель является лучшей, чем любая другая, при множестве прочих моделей-претендентов. Если «вес» отличается менее чем на 10 % от wmax, считали, что эти модели идентичны по качеству наилучшей [15].
Для оценки динамики количества пострадавших от укусов клещей в субъектах УФО за период наблюдения и прогнозирования развития эпидемиологической ситуации на ближайшие пять лет было построено несколько моделей гармонической регрессии с различным числом оцениваемых параметров.
В качестве референтного (базового) уровня (Ь0) было выбрано значение для Курганской области -десятичного логарифма числа пострадавших от укусов клещей или среднемноголетний уровень (СМУ) заболеваемости, так как в Курганской области зарегистрировано наименьшее количество пострадавших от укусов клещей из рассматриваемых субъектов и самая высокая заболеваемость КВЭ.
Исследовали две интересующие (рабочие) модели. В первую включали бинарные (0 или 1) пре-
дикторы - маркеры для регионов УФО (Свердловской, Челябинской и Тюменской областей), для Ь0 (базовый уровень - Курганская область) и амплитуды колебаний. Во второй модели использовали общее значение амплитуды для всех четырех субъектов. Значения циклической частоты и начальной фазы предполагались общими. Третья - «нулевая» модель - включала только свободный член (общий СМУ для всех регионов). Наиболее адекватной эмпирическим данным признана модель № 2 (табл. 1), поскольку для нее характерно наименьшее значение СЛ1С или наибольший «вес» ^ = 0,989). Таким образом, с высоким уровнем статистической поддержки можно заключить, что многолетние колебания числа пострадавших от нападения иксодовых клещей изменяются синфазно в УФО.
Модель для оценки заболеваемости КВЭ состояла из двух частей. Первая отражала заболеваемость и ее изменение в регионах, вторая - в целом по РФ.
В качестве базового уровня поочередно выбирали четыре области УФО. Сравнивали три модели. В первой модели использовали маркерные переменные как для СМУ, так и для амплитуды колебаний для субъектов УФО и РФ.
Вторая модель содержала: маркеры для регионов УФО, общую оценку амплитуды для всех четырех субъектов УрФО и амплитуду для заболеваемости по РФ; третья модель - общую амплитуду для трех областей (Свердловской, Челябинской и Тюменской), специфические - для Курганской области и для РФ в целом. Четвертую модель, включающую только свободный член, использовали для сравнения и оценки качества прогнозов.
Таблица 1
Модели гармонических колебаний для описания динамики числа пострадавших от укусов клещей (у = (N0 за 2007-2017 гг. в субъектах УФО
Коэффициенты и предикторы К СЛ1С АСЛ1С wi
у = Ь0 + Ь[С + Ь2Ч + Ь3Т + (Л0 + Л1С + Л2Ч + Л3Т) ^ (ю0Г + Фо); Я2 = 0,94, Я = 0,97
Ь0 - свободный член (базовый уровень)*
Ь - контраст в СМУ Ь0 и С
Ь2 - контраст в СМУ Ь0 и Ч
Ь3 - контраст в СМУ Ь0 и Т
Л0 - амплитуда для базового уровня 10 -172,30 9,06 0,011
Л01 - разница в амплитудах Ь0 и С
Л02 - разница в амплитудах Ь0 и Ч
Л03 - разница в амплитудах Ь0 и Т
ю0 - циклическая частота для модели субъекта
у = Ь0 + Ь[С + Ь2Ч + Ь3Т + Л0^ (ю0Г + ф0); Я2 = 0,93, Я = 0,96
Ь0, Ьь Ь2, Ь3, ю0, ф0 - см. выше Л0 - общая амплитуда для К, С, Ч и Т 7 -181,36 0 0,989
у = Ь0
Ь0 (нулевая гипотеза - Н0) 1 130,22 311,58 2,1710-68
П р и м е ч а н и е : СЛ1С - состоятельный критерий Акаике; АСЛ1С - разности критерия СЛ1С; wi - относительное правдоподобие («вес»); k - число параметров; * - в данной модели в качестве базового уровня (Ь0) рассматривается среднее значение логарифма числа пострадавших от укусов клещей в Курганской области (К); С, Ч, Т - маркеры Свердловской, Челябинской, Тюменской областей соответственно.
Таблица 2
Модели гармонических колебаний для описания динамики заболеваемости (у) КВЭ (на 100 тысяч населения) за 2007-2017 гг. в субъектах УФО
Коэффициенты и предикторы к CAIC Acaic Wi
у = bo + {xp РФ} + (ад + ад + ад + (Ao + A01S1 + A02S2 + A03S3) cos (ю„Г + фо)) [Хр = 0] + (Arcos (c^i + Ф1)) [xp = 1]; Я2 = 0,78, Я = 0,88
Ъ0 - свободный член (базовый уровень) хр - контраст в СМУ РФ и Ъ0 Ъ - контраст в СМУ Ъ0 и ? Ъ2 - контраст в СМУ Ъ0 и Ъ3 - контраст в СМУ Ъ0 и S3 А0 - амплитуда для базового уровня А01 - разница в амплитудах Ъ0 и ? А02 - разница в амплитудах Ъ0 и А03 - разница в амплитудах Ъ0 и ю0 - циклическая частота для модели субъекта (?) А1 - амплитуда для модели РФ (»! - циклическая частота для модели РФ 14 124,62 6,74 0,03
у = b0 + {xp РФ} + (b1S1 + b2S2 + b3S3 + A0-cos (ю0Г + ф0)) [xp=0] + (Arcos (w1t + ф0) [xp=1]; Я2 = 0,62, Я = 0,79
Ъ0, хр, ¿1, Ь2, Ъ3, ю0, Аь «>! - см. выше; А0 - общая амплитуда для Ъ0, Б2, ?3 11 139,97 22,00 1,62 10-5
у = b0 + {xp РФ} + (bÄ + b2S2 + b3S3 + (Ako + AcpScp) cos (ff^i + Ф0)) [xp=0] + (Arcos (ю^ + Ф1)) [xp=1]; R2 = 0,77, R = 0,88
¿0, хр, Ъь Ъ2, Ъ3, ю0, Аь Ю1 - см. выше; АКо - амплитуда для Курганской области; АСР - разница в амплитудах ?КО и ?СР (среднее по трем субъектам) 12 117,88 0 0,96
у = b
b0 (нулевая гипотеза - H0) 1 195,94 78,06 1,0810-17
Примечание: СА1С - состоятельный критерий Акаике; ДСА/С - разности критерия СА1С; м>1 - относительное правдоподобие («вес»); к - число параметров; {лрРФ} - слагаемое в уравнениях для учета разницы между СМУ в РФ и субъектах; хр = 0 - часть модели для описания заболеваемости в субъектах; хр = 1 - часть модели для описания заболеваемости в РФ; Ъ0 - свободный член или базовый уровень, соответствующий СМУ заболеваемости в выбранном субъекте; ?1-3 - маркеры регионов УФО.
Данный алгоритм был использован и при оценке заболеваемости КВЭ за период 2007-2017 гг. (табл. 2).
Модель № 3 была принята нами как основа для интерпретации результатов моделирования заболеваемости КВЭ, поскольку для нее было характерно наименьшее значение состоятельного критерия Акаике и самый большой «вес» среди моделей-претендентов ^ = 0,96).
Результаты и их обсуждение. За период 2007-2017 гг. в Свердловской области от присасывания клещей пострадало 371 423 жителя, зарегистрировано 1743 случая КВЭ, СМУ заболеваемости за 11 лет составил 3,81 на 100 тысяч населения. В Челябинской области атакам клещей подверглось 215 904 жителя, зарегистрировано 1078 случаев заболевания (2,9 8 0/0000). В Тюменской области (данные без учета ХМАО и ЯНАО) было зарегистрировано 148 189 человек, пострадавших от присасывания клещей (5,92 на 100 тысяч). Показатель заболеваемости в Курганской области, где было зарегистрировано 54 906 пострадавших, был самым высоким и составил 7,82 0/0000.
Коэффициент детерминации Я2 (см. табл. 1) для модели динамики количества пострадавших от укусов клещей составил 93 %, что свидетельствует
о высоком качестве выбранной для интерпретации модели. Наибольшее количество пострадавших за 11 лет было характерно для Свердловской области -34 674 человека с попаданием в 95%-ный интервал от 30 200 до 39 811. В Курганской области отмечено наименьшее число нападений в период 2007-2017 гг. Ранжирование изучаемых областей УФО по мере уменьшения количества пострадавших показало следующие приоритеты: Свердловская - Челябинская - Тюменская - Курганская (табл. 3, рис. 1).
В ходе математического моделирования числа пострадавших от укусов клещей установлена цикличность эпидемического процесса с квазипериодом 8-8,5 г. (средний Т = 2л/ю = 8,3 г.) с доверительным интервалом от 6,98 до 10,30 г. С помощью построенной модели было установлено наличие амплитуды колебаний (р < 0,0001).
Для всех четырех областей УФО наибольшее число пострадавших наблюдалось в 2011 г. Рост составил до 26 % от среднего уровня пострадавших за 11 лет с доверительным интервалом 15-41 %. Наличие квазипериода и амплитуды позволило сделать вывод о существовании циклической динамики числа пострадавших от укусов клещей, вероятнее всего, связанной с динамикой популяций иксодовых клещей и мелких млекопитающих.
Таблица 3
Параметры (0), их стандартные ошибки (SE) и доверительные интервалы (confidence interval - CI) для «лучшей» модели (см. табл. 1) логарифма числа пострадавших от присасывания клещей
Параметр 0 SE (0) p-знач. 95 % CI 0® 95 % CI®
Ь0 (СМУ Курганская обл.) 3,69 0,03 < 0,0001 3,63 3,75 4898 4266 5623
Ь1 (Свердловская обл.) 0,85 0,04 < 0,0001 0,75 0,93 34 674 (+29 776) 30 200 39 811
Ь2 (Челябинская обл.) 0,61 0,04 < 0,0001 0,53 0,70 19 953 (+15055) 17 378 22 909
Ь3 (Тюменская обл.) 0,45 0,04 < 0,0001 0,36 0,53 13 804 (+8906) 12 023 15 488
Общая амплитуда колебания (С, Ч, Т и К) 0,10 0,02 < 0,0001 0,06 0,15 ~ 26 % ~ 15 % ~ 41 %
Циклическая частота (ш0) колебания для модели субъектов -0,76 0,07 < 0,0001 -0,90 -0,61 - - -
Примечание: Ь0 - свободный член (базовый уровень) - среднее значение логарифма числа пострадавших от укусов клещей в Курганской области; С, Ч, Т, К - маркеры Свердловской, Челябинской, Тюменской и Курганской областей соответственно; Ь^э - контрасты каждого субъекта УФО и Курганской области; ® - данные приведены в исходную шкалу (число лиц, пострадавших от укусов клещей) путем потенцирования логарифмированных значений: 10 (у) = х - «антилогарифм».
Рис. 1. Динамика количества пострадавших от укусов клещей за 2007-2017 гг. в четырех субъектах УФО и прогноз до 2022 г.
Существенное влияние эколого-географичес-ких факторов на заболеваемость КВЭ в изучаемых субъектах УФО определялось показателем коэффициента Я2 для этой модели, который составил 77 %.
Показаны статистически значимые различия по СМУ заболеваемости в четырех субъектах УФО в сравнении со СМУ по РФ (табл. 4). Так,
СМУ заболеваемости в изучаемых субъектах (за исключением Челябинской области) значимо отличались от среднероссийского показателя за 11 лет. При этом наибольшие отклонения от СМУ по РФ установлены в Курганской и Тюменской областях (разница в показателях составила 6,03 и 4,13 0/0000).
Таблица 4
Параметры (0), их стандартные ошибки (SE) и доверительные интервалы (confidence interval - CI) для лучшей модели (см. табл. 2) гармонических колебаний заболеваемости КВЭ
Параметр 0 SE (0) р-значение 95 % CI (ДИ)
1) Ъ0 (СМУ Курганская обл.) 7,82 0,59 < 0,0001 6,63 9,01
хр (РФ) - 6,03 0,99 < 0,0001 - 8,02 - 4,05
Ъ1 (Свердловская обл.) - 4,01 0,82 < 0,0001 - 5,67 - 2,36
Ъ2 (Челябинская обл.) - 4,84 0,82 < 0,0001 - 6,50 - 3,19
Ъ3 (Тюменская обл.) - 1,90 0,82 0,03 - 3,56 - 0,25
Амплитуда (К) 6,55 0,84 < 0,0001 4,85 8,25
Контраст в амплитудах [К] - [С, Ч, К] - 4,99 0,96 < 0,0001 - 6,93 - 3,05
2) Ъ0 (СМУ Свердловская обл.) 3,81 0,58 < 0,0001 2,64 4,97
хр (РФ) - 2,02 0,98 0,05 - 3,99 - 0,04
Ъ (Челябинская обл.) - 0,83 0,82 0,32 - 2,47 0,82
Ъ2 (Тюменская обл.) 2,11 0,82 0,01 0,47 3,76
Ъ3 (Курганская обл.) 4,01 0,82 < 0,0001 2,36 5,67
3) Ъ0 (СМУ Челябинская обл.) 2,98 0,58 < 0,0001 1,81 4,14
хр (РФ) - 1,19 0,97 0,23 - 3,16 0,77
Ъ (Свердловская обл.) 0,83 0,82 0,32 - 0,82 2,47
Ъ2 (Тюменская обл.) 2,94 0,82 0,001 1,29 4,58
Ъ3 (Курганская обл.) 4,84 0,82 < 0,0001 3,19 6,50
4) Ъ0 (СМУ Тюменская обл.) 5,92 0,58 < 0,0001 4,75 7,08
хр (РФ) - 4,13 0,98 0,0001 - 6,10 -2,16
Ъ1 (Свердловская обл.) - 2,11 0,82 0,01 - 3,76 - 0,47
Ъ2 (Челябинская обл.) - 2,94 0,82 0,001 - 4,58 - 1,29
Ъ3 (Курганская обл.) 1,90 0,82 0,03 0,25 3,56
Общая амплитуда колебания для С, Ч, Т 1,57 0,48 0,002 0,60 2,53
Амплитуда колебания для К - 4,99 0,96 < 0,0001 - 6,93 - 3,05
Циклическая частота (ю0) колебания для моделей субъектов 0,59 0,04 < 0,0001 0,51 0,66
5) Амплитуда колебания для РФ 0,55 0,78 0,49 - 1,03 2,13
Циклическая частота ((»!) колебания для модели РФ 0,44 0,75 0,56 - 1,08 1,96
П р и м е ч а н и е : Ъ0 - свободный член (базовый уровень) - среднее значение показателя заболеваемости КВЭ в выбранном (референтном) регионе; С, Ч, Т, К - маркеры Свердловской, Челябинской, Тюменской и Курганской областей соответственно; хр - контраст РФ и базового уровня; Ъ1-3 - контрасты каждого субъекта УФО и базового уровня.
В Курганской области установлен самый высокий СМУ заболеваемости - 7,82 (С1: 6,63-9,01 0/0000), вероятнее всего, обусловленный скачком показателей в период 2007-2012 гг. с пиком в 2011 г. Ранжирование регионов по заболеваемости от большего к меньшему (Курганская - Тюменская - Свердловская -Челябинская) представлено в табл. 5, рис. 2.
Стоит отметить отсутствие статистически значимых различий (р = 0,32) по СМУ заболеваемости между Свердловской и Челябинской областями, что требует дополнительных исследований.
Использование статистических моделей позволило выявить циклические изменения в показателях заболеваемости КВЭ во всех четырех субъектах УФО с квазипериодом 10-11 лет (средний Т = 2л/ю = 10,6 г.) и доверительным интервалом от 9,52 до 12,31.
Хорошо известно, что в природе существуют циклические колебания погоды, связанные с цикличностью активности Солнца, большой цикл которого также длится 11 лет [19]. По данным литературы, в предыдущий период времени максимум заболеваемости КВЭ наблюдался в 1996 и 1999 г. во всех климатических подзонах УФО [19].
Вместе с тем в Курганской области наблюдался самый высокий среднемноголетний уровень заболеваемости и наибольшая амплитуда колебаний (рис. 2). Это можно объяснить всплеском заболеваемости в период с 2007 по 2012 г. Для Курганской области, как и в остальных случаях, пик заболеваемости пришелся на 2010-2011 гг. В этот период уровень заболеваемости превысил СМУ на 6,55 0/0000 (С1: 4,85-8,25; р < 0,0001). По результатам статистического моделирования для Свердловской, Челябинской и Тюменской областей характерна общая амплитуда колебаний заболеваемости КВЭ - превышение СМУ в этих регионах (пик) составило 1,57 0/0000 (С1: 0,60-2,53;р = 0,002).
Проведенный анализ заболеваемости КВЭ за период с 2007 по 2017 г. в Свердловской, Челябинской, Тюменской и Курганской областях показал значимые различия между субъектами УФО. В Курганской области зафиксирован наибольший среднемноголетний уровень заболеваемости, а в Свердловской и Челябинской - наименьший. При этом в Свердловской, Челябинской и Тюменской областях за тот же период наблюдения количество пострадавших от присасывания клещей было выше, чем в Курганской области.
Рис. 2. Динамика заболеваемости КВЭ (на 100 тысяч населения) за 2007-2017 гг. в четырех УФО и прогноз до 2022 г.
Меньшее количество пострадавших в Курганской области относительно остальных изучаемых регионов, скорее всего, можно объяснить низкой численностью населения, так как существует прямая зависимость между количеством населения в регионе и обращаемостью с укусами клещей. Крайне высокая заболеваемость КВЭ в Курганской области среди всех регионов, вероятно, обусловлена как природными, так и социальными факторами: наличием нескольких видов клещей-переносчиков (не только рода Ixodes, но и Dermacentor) и их высокой вирусофорностью, недостаточностью мер по специфической и неспецифической профилактике КВЭ.
Ближнесрочный прогноз заболеваемости КВЭ и обращаемости по причине присасывания клеща, полученный на основе статистической модели, по нашему мнению, не является безусловным, поскольку формируется под воздействием многих факторов, для учета которых необходим многофакторный анализ [20].
Выводы:
1. Показаны статистически значимые различия в четырех изучаемых регионах по СМУ забо-
леваемости и количеству пострадавших от присасывания клещей. Самый высокий среднемноголет-ний уровень заболеваемости КВЭ зафиксирован в Курганской области (7,82 0/0000). За ней по убыванию показателя - Тюменская (5,92), Свердловская (3,81) и Челябинская (2,98). По количеству пострадавших получен обратный ряд с максимумом в Свердловской области (34 674 человек): Свердловская - Челябинская - Тюменская - Курганская.
2. Дана прогнозная оценка заболеваемости КВЭ и количества пострадавших от укусов клещей. В период с 2018 до 2022 г. ожидается рост заболеваемости и обращаемости по поводу присасывания клещей во всех субъектах УФО. В соответствии с периодичностью процесса (10-11 лет), вероятно, что пик заболеваемости придется на 2020-2021 года.
Финансирование. Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Список литературы
1. Аммосов А.Д. Клещевой энцефалит. - Кольцово: Вектор-Бест, 2006. - 115 с.
2. Коренберг Э.И., Помелова В.Г., Осин Н.С. Природно-очаговые инфекции, передающиеся иксодовыми клещами. -М.: Комментарий, 2013. - 464 с.
3. Волкова Л.И., Ковтун О.П., Терещук М.А. Клинические особенности хронического клещевого энцефалита и эпилепсии Кожевникова на Среднем Урале // Русский журнал детской неврологии. - 2011. - Т. 6, № 2. - С. 3-10.
4. Злобин В.И. Клещевой энцефалит в Российской Федерации: этиология, эпидемиология и стратегия профилактики // Terra Medica. - 2010. - № 2. - С. 13-21.
5. Современная эпидемиологическая ситуация по клещевому вирусному энцефалиту в Челябинской области / С.В. Лучинина, О.Н. Степанова, В.В. Погодина, Е.А. Стенько, Г.Г. Чиркова, С.Г. Герасимов, Л.И. Колесникова // Эпидемиология и вакцинопрофилактика. - 2014. - Т. 75, № 2. - С. 32-37.
6. Конькова-Рейдман А.Б., Тер-Багдасарян Л.В. Современные аспекты эпидемиологии инфекций, передающихся иксодовыми клещами // Эпидемиология и инфекционные болезни. - 2014. - Т. 19, № 5. - С. 26-31.
7. Климатозависимые заболевания и членистоногие переносчики: возможное влияние наблюдаемого на территории России изменения климата / В.В. Ясюкевич, С.Н. Титкина, И.О. Попов, Е.А. Давидович, Н.В. Ясюкевич // Проблемы экологического мониторинга и моделирования экосистем. - 2013. - Т. 25. - С. 314-359.
8. Ястребов В.К., Рудаков Н.В., Шпынов С.Н. Трансмиссивные клещевые природно-очаговые инфекции в Российской Федерации: тенденции эпидемического процесса, актуальные вопросы профилактики // Сибирский медицинский журнал. - 2012. - Т. 111, № 4. - С. 91-93.
9. Прогнозирование заболеваемости клещевым вирусным энцефалитом в Российской Федерации в 2014 г., основанное на многофакторных регрессионных моделях / В.П. Ильин, Е.И. Андаев, С.В. Балахонов, Н.Д. Пакскина // Проблемы особо опасных инфекций. - 2014. - № 2. - С. 48-52.
10. Заболеваемость клещевым вирусным энцефалитом в Российской Федерации и по федеральным округам в 2009-2013 гг., эпидемиологическая ситуация в 2014 г. и прогноз на 2015 г. / А.К. Носков, В.П. Ильин, Е.И. Андаев, Н.Д. Пакскина, Е.В. Веригина, С.В. Балахонов // Проблемы особо опасных инфекций. - 2015. - № 1. - С. 46-50.
11. Determinants of tick-borne encephalitis in counties of southern Germany, 2001-2008 / C. Kiffner, W. Zucchini, P. Schomaker, T. Vor, P. Hagedorn, M. Niedrig, F. Rühe // International Journal of Health Geographics. - 2010. - Vol. 9. -P. 1-10. DOI: 10.1186/1476-072X-9-42
12. Vaccination and Tick-borne Encephalitis, Central Europe / F.X. Heinz, K. Stiasny, H. Holzmann [et al.] // Emerging Infectious Diseases. - 2013. - Vol. 19, № 1. - P. 69-76. DOI: 10.3201/eid1901.120458.
13. Эффективность программы массовой иммунопрофилактики клещевого энцефалита / В.В. Романенко, А.С. Киля-чина, М.С. Есюнина, А.В. Анкудинова, Т.А. Пименова // Биопрепараты. Профилактика, диагностика, лечение. - 2008. -№ 2. - С. 9-14.
14. Есюнина М.С., Романенко В.В., Килячина А.С. Длительность сохранения постпрививочного иммунитета к вирусу клещевого энцефалита после ревакцинаций // Труды Института полиомиелита и вирусных энцефалитов имени М.П. Чумакова РАМН. Медицинская вирусология. - 2015. - Т. 29, № 2. - С. 132.
15. Akaike H. A new look at the statistical model identification // IEEE Transactions on Automatic Control. - 1974. -Vol. 19. - P. 716-723.
16. Anderson D.R., Burnham K.P. and White G.C. Comparison of Akaike information criterion and consistent Akaike information criterion for model selection and statistical inference from capture-recapture studies // J. Appl. Stat. - 1998. - Vol. 25. -P. 263-282.
17. Burnham K.P., Anderson D.R. Model selection and multimodel inference: a practical information-theoretic approach. -N.Y.: Springer-Verlag, 2002. - 496 p.
18. Yang Y. Can the strengths of AIC and BIC be shared? A conflict between model indentification and regression estimation // Biometrika. - 2005. - Vol. 92, № 4. - P. 937-950.
19. Цокова Т.Н., Козлов Л.Б. Разработка математической модели прогнозирования заболеваемости клещевым энцефалитом // Успехи современного естествознания. - 2008. - № 6. - С. 12-16.
20. A Predictive Model Has Identified Tick-Borne Encephalitis High-Risk Areas in Regions Where No Cases Were Reported Previously, Poland, 1999-2012 / P. Stefanoff, B. Rubikowska, J. Bratkowski, Z. Ustrnul, S.O. Vanwambeke, M. Rosin-ska // Int. J. Environ. Res. Public Health. - 2018. - Vol. 15, № 4. - P. 1-17. DOI: 10.3390/ijerph15040677
Заболеваемость клещевым вирусным энцефалитом в ряде субъектов Уральского федерального округа с прогнозной оценкой эпидемической ситуации на краткосрочный период / В.А. Мищенко, О.В. Ладыгин, И.П. Быков, Ю.А. Захарова, А.Г. Сергеев, И.А. Кшнясев //Анализ риска здоровью. - 2019. - № 1. - С. 68-77. БОТ: 10.21668/НеаШ.п8к/2019А.07
UDC 616.99: 578.426 Read®
DOI: 10.21668/health.risk/2019.1.07.eng online 0
MORBIDITY WITH TICK-BORNE VIRAL ENCEPHALITIS IN SOME REGIONS IN URALSKIY FEDERAL DISTRICT WITH PREDICTIVE ESTIMATE OF SHORT-TERM EPIDEMIOLOGIC SITUATION
V.A. Mishchenko1,2, O.V. Ladygin1, I.P. Bykov1, J.A. Zakharova1, A.G. Sergeev1'3, I.A. Kshnyasev2
1Rospotrebnadzor's Yekaterinburg Research Institute of Viral Infections, 23 Letnyaya Str., Yekaterinburg, 620030, Russian Federation
2Institute of Plant and Animal Ecology of the Urals Department of Russian Academy of Science, 202 8 Marta Str., URAN, Yekaterinburg, 620144, Russian Federation
3Ural State Medical University of the RF Public healthcare Ministry, 3 Repina Str., 630028, Yekaterinburg, Russian Federation
Extrapolation prediction of epidemic situation as per tick-borne viral encephalitis (TVE) on endemic territories that is based on analyzing time rows of morbidity is a promising approach to be applied in predictive medical-ecological and epidemiologic research.
The authors examined long-term dynamics showing both number ofpeople who suffered from tick bites and morbidity with tick-borne viral encephalitis (TVE) in 4 regions in the Ural Federal District over 2007-2017.
We applied a sum of harmonic functions as a mathematic model; parameters of the functions were detected with Levenberg-Marquardt procedure for non-linear estimates. The technique is flexible and it allows both to apply parameters of harmonic fluctuation that are common for all 4 regions and to estimate parameters that differ in various regions and are of special interest (average long-term values and other fluctuation parameters). One of the research goals was to estimate dynamics in number ofpeople who suffered from tick bites and morbidity with TVE in the Ural Federal District regions over the examined period and to predict epidemiologic situation for the coming years. To do that, we built several harmonic regression models with different number of estimated parameters. To compare and rank the models, we applied Akaike consistent information criterion that determines optimality as a compromise between a model accuracy and complexity.
Our analysis of morbidity with TVE over 2007-2017 in Sverdlovsk, Chelyabinsk, Tyumen, and Kurgan region allowed us to quantify discrepancies in average long-term parameters between these Ural Federal District regions. The highest average long-term morbidity was fixed in Kurgan region; the lowest one, in Sverdlovsk and Chelyabinsk region. But a number of people who suffered from tick bites was higher in Sverdlovsk, Chelyabinsk, and Tyumen region than in Kurgan region over the same period. We showed that long-term fluctuations in ticks activity in the Ural Federal District can be considered in-phase and it can possibly mean there is regional synchronization. We detected quasi-periods of cycles both for number of people bitten by ticks and morbidity with TVE and built a short-term prediction for epidemic situation as per TVE in the region on the basis of the proposed harmonic model for a period up to 2022; a probable TVE morbidity peak can be reached in 2020-2021.
Key words: tick-borne viral encephalitis, morbidity, number of victims, modeling, prediction, selection of models, cyclic fluctuations, parameters.
© Mishchenko V.A., Ladygin O.V., Bykov I.P., Zakharova J.A., Sergeev A.G., Kshnyasev I.A., 2019
Vladimir A. Mishchenko - Researcher at the Laboratory for transmissive infections and tick-borne encephalitis, Research Engineer at the laboratory of evolutionary ecology (e-mail: [email protected]; tel.: +7 (343) 261-99-47; ORCID: https://orcid.org/0000-0003-4280-283X).
Oleg V. Ladygin - Leading Researcher, Head of the laboratory of transmissive infections and tick-borne encephalitis (e-mail: [email protected]; tel.: +7 (343) 261-99-47).
Ivan P. Bykov - Candidate of Medicine, Senior Researcher at the laboratory of transmissive infections and tick-borne encephalitis (e-mail: [email protected]; tel.: +7 (343) 261-99-47; ORCID: https://orcid.org/0000-0002-5157-646X).
Julia A. Zakharova - Holder of the postdoctoral degree in medicine, Deputy Director for Science, Head of the department for epidemiology of viral infections, Chief Researcher (e-mail: [email protected]; tel.: +7 (343) 261-99-47; ORCID: https://orcid.org/0000-0003-3416-0902).
Alexandr G. Sergeev - Holder of the postdoctoral degree in medicine, Professor, Head of the Microbiology, Virology and Immunology Chair, Head of the Department of Indication and Diagnosis of Viral Infections, Chief Researcher (e-mail: [email protected]; tel.: +7 (343) 214-86-95).
Ivan A. Kshnyasev - Candidate of Science (Biology), Senior Researcher at the laboratory of population ecology and modeling (e-mail: [email protected]; tel.: +7 (343) 210-38-58).
References
1. Ammosov A.D. Kleshchevoi entsefalit [Tick-borne encephalitis]. Kol'tsovo, Vektor-Best Publ., 2006, 115 p. (in Russian).
2. Korenberg E.I., Pomelova V.G., Osin N.S. Prirodnoochagovye infektsii, peredayushchiesya iksodovymi kleshchami [Infections with natural focality transmitted by ixodid ticks]. Moscow, Kommentarii Publ., 2013, 464 p. (in Russian).
3. Volkova L.I., Kovtun O.P., Tereschuk M.A. Klinicheskie osobennosti khronicheskogo kleshchevogo entsefalita i epi-lepsii Kozhevnikova na Srednem Urale [Clinical characteristics of chronical tickborne encephalitis and Kozhevnikov's epilepsia partialis continua in the Middle Urals]. Russkii zhurnal detskoi nevrologii, 2011, vol. 6, no. 2, pp. 3-10 (in Russian).
4. Zlobin V.I. Kleshchevoi entsefalit v Rossiiskoi Federatsii: etiologiya, epidemiologiya i strategiya profilaktiki [Tick-borne encephalitis in the Russian Federation: etiology, epidemiology and prevention strategy.]. Terra Medica, 2010, no. 2, pp. 13-21 (in Russian).
5. Luchinina S.V., Stepanova O.N., Pogodina V.V., Sten'ko E.A., Chirkova G.G. [et al.]. Sovremennaya epidemiologicheskaya situatsiya po kleshchevomu virusnomu entsefalitu v Chelyabinskoi oblasti [Modern Epidemiological Situation of Tick-Borne Encephalitis in Chelyabinsk Region, Russia]. Epidemiologiya i vaktsinoprofilaktika, 2014, vol. 75, no. 2, pp. 32-37 (in Russian).
6. Konkova-Reydman A.B., Ter-Bagdasaryan L.V. Sovremennye aspekty epidemiologii infektsii, peredayushchikhsya iksodovymi kleshchami [Modern aspects of epidemiology of ticks transmitted infections]. Epidemiologiya i infektsionnye bolezni,
2014, vol. 19, no. 5, pp. 26-31 (in Russian).
7. Yasyukevich V.V., Titkina S.N., Popov I.O., Davidovich E.A., Yasyukevich N.V. Klimatozavisimye zabolevaniya i chlenistonogie perenoschiki: vozmozhnoe vliyanie nablyudaemogo na territorii Rossii izmeneniya klimata [Climate-dependant diseases and arthropod vectors: possible influence of climate change observed in Russia]. Problemy ekologicheskogo monitoringa i modelirovaniya ekosistem, 2013, vol. 25, pp. 314-359 (in Russian).
8. Yastrebov V.K., Rudakov N.V., Shpynov S.N. Transmissivnye kleshchevye prirodno-ochagovye infektsii v Rossiiskoi Federatsii: tendentsii epidemicheskogo protsessa, aktual'nye voprosy profilaktiki [Transmissive tick-borne natural focal infections in the Russian Federation: trends of the epidemiological process, topical prophylaxis issues]. Sibirskii meditsinskii zhurnal, 2012, vol. 111, no. 4, pp. 91-93 (in Russian).
9. Il'in V.P., Andaev E.I., Balakhonov S.V., Pakskina N.D. Prognozirovanie zabolevaemosti kleshchevym virusnym ent-sefalitom v Rossiiskoi Federatsii v 2014 g., osnovannoe na mnogofaktornykh regressionnykh modelyakh [Morbidity Rate Forecasting for 2014 as Regards Tick-Borne Viral Encephalitis in the Territory of the Russian Federation Based on Multi-Factor Regression Models]. Problemy osobo opasnykh infektsii, 2014, no. 2, pp. 48-52 (in Russian).
10. Noskov A.K., Il'in V.P., Andaev E.I., Pakskina N.D., Verigina E.V., Balakhonov S.V. Zabolevaemost' kleshchevym virusnym entsefalitom v Rossiiskoi Federatsii i po federal'nym okrugam v 2009-2013 gg., epidemiologicheskaya situatsiya v 2014 g. i prog-noz na 2015 g. [Incidence of Tick-Borne Viral Encephalitis in the Russian Federation and across Federal Districts in 2009-2013. Epidemiological Situation in 2014 and Prognosis for 2015]. Problemy osobo opasnykh infektsii, 2015, no. 1, pp. 46-50 (in Russian).
11. Kiffner C., Zucchini W., Schomaker P., Vor T., Hagedorn P., Niedrig M, Rühe F. Determinants of tick-borne encephalitis in counties of southern Germany, 2001-2008. International Journal of Health Geographies, 2010, vol. 9, pp. 1-10. DOI: 10.1186/1476-072X-9-42
12. Heinz F.X., Stiasny K., Holzmann H. [et al.]. Vaccination and Tick-borne Encephalitis, Central Europe. Emerging Infectious Diseases, 2013, vol. 19, no. 1, pp. 69-76. DOI: 10.3201/eid1901.120458
13. Romanenko V.V., Kilyachina A.S., Yesyunina M.S., Ankudinova A.V., Pimenova T.A. Effektivnost' programmy massovoi immunoprofilaktiki kleshchevogo entsefalita [Efficiency of the program of mass immunoprophylaxis of Tick-Borne Encephalitis]. Biopreparaty. Profilaktika, diagnostika, lechenie, 2008, no. 2, pp. 9-14 (in Russian).
14. Yesyunina M.S., Romanenko V.V., Kilyachina A.S. Dlitel'nost' sokhraneniya postprivivochnogo immuniteta k virusu kleshchevogo entsefalita posle revaktsinatsii [Duration of post-vaccination immunity against tick-borne encephalitis following booster doses]. Trudy Institutapoliomielita i virusnykh entsefalitov imeni M.P. Chumakova RÁMN. Meditsinskaya virusologiya,
2015, vol. 29, no. 2, p. 132 (in Russian).
15. Akaike H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, 1974, vol. 19, pp. 716-723.
16. Anderson, D.R., Burnham, K.P., White, G.C. Comparison of Akaike information criterion and consistent Akaike information criterion for model selection and statistical inference from capture-recapture studies. Journal of Applied Statistics, 1998, vol. 25, pp. 263-282.
17. Burnham K.P., Anderson D.R. Model selection and multimodel inference: a practical information-theoretic approach. New York, Springer Verlag Publ., 2002, 496 p.
18. Yang Y. Can the strengths of AIC and BIC be shared? A conflict between model indentification and regression estimation. Biometrika, 2005, vol. 92, no. 4, pp. 937-950.
19. Tsokova T.N., Kozlov L.B. Razrabotka matematicheskoi modeli prognozirovaniya zabolevaemosti kleshchevym entsefalitom [Development of mathematical model of forecasting of desease the virus of tick-born encephalitis]. Uspekhi sovre-mennogo estestvoznaniya, 2008, no. 6, pp. 12-16 (in Russian).
20. Stefanoff P., Rubikowska B., Bratkowski J., Ustrnul Z., Vanwambeke S.O., Rosinska M. A Predictive Model Has Identified Tick-Borne Encephalitis High-Risk Areas in Regions Where No Cases Were Reported Previously, Poland, 1999-2012. International Journal of Environmental Research and Public Health, 2018, vol. 15, no. 4, pp. 1-17. DOI: 10.3390/ijerph15040677
Mishchenko V.A., Ladygin O. V., Bykov I.P., Zakharova J.A., Sergeev A. G., Kshnyasev I.A. Morbidity with tick-borne viral encephalitis in some regions in uralskiy federal district with predictive estimate of short-term epidemiologic situation. Health Risk Analysis, 2019, no. 1, pp. 68-77. DOI: 10.21668/health.risk/2019.1.07.eng
Получена: 06.11.2018
Принята: 02.03.2019
Опубликована: 30.03.2019
УДК 614.4: 616.9 0ЯЙ!0
Б01: 10.21668/Ьеа11Ь.п8к/2019.1.08 ШЙ
ОггЛаИН [^¡(у^*
ОЦЕНКА ПОТЕНЦИАЛЬНОЙ ЭПИДЕМИЧЕСКОЙ ОПАСНОСТИ СОЧЕТАННЫХ ПРИРОДНЫХ ОЧАГОВ БАКТЕРИАЛЬНЫХ, ВИРУСНЫХ И РИККЕТСИОЗНЫХ ИНФЕКЦИЙ
1 2 2 1 Е.В. Куклев , А.А. Ковалевская , Б.Л. Агапов , С.А. Щербакова
Российский научно-исследовательский противочумный институт «Микроб» Роспотребнадзора, Россия, 410005, г. Саратов, ул. Университетская, 46
2Астраханская противочумная станция Роспотребнадзора, Россия, 414057, г. Астрахань, ул. Кубанская, 3
Эпидемиологический анализ 2008 историй болезни населения Астраханской области опасными природно-очаговыми инфекционными болезнями за последние 17 лет позволил охарактеризовать основные категории эпидемиологического риска заболевания этими инфекциями в современных условиях и установить наиболее значимые статистически достоверные (р < 0,05) критерии оценки потенциальной эпидемической опасности автономных и сочетан-ных природных очагов бактериальной, вирусной и риккетсиозной природы в Северном и Северо-Западном Прикаспии: количество заболеваний людей, численность носителей и переносчиков инфекции (блох, клещей, комаров), инфициро-ванность грызунов и переносчиков, вирулентность циркулирующих штаммов, наличие верблюдов, результат иммунологических исследований носителей и переносчиков, иммунная прослойка среди групп риска (людей) и животных, температура окружающей среды, среднегодовое количество осадков. В работе использованы эпидемиологические данные ФКУЗ «Астраханская противочумная станция», Управления Роспотребнадзора по Астраханской области и ФБУЗ «Центр гигиены и эпидемиологии в Астраханской области, областной инфекционной клинической больницы им. А.М. Ничоги за период с 2000 по 2017 г., формы первичной медицинской документации (№ 027/У, № 058/У, № 060/У), результаты эпизоотологического обследования территории. На основе метода балльных оценок разработан алгоритм определения качественной и количественной величины опасности для человека природных очагов чумы, туляремии, лептоспироза, Крымской геморрагической лихорадки, лихорадки Западного Нила, Астраханской риккетсиозной лихорадки. Использование данного метода позволяет проводить научно обоснованное эпидемиологическое районирование очаговой территории с дифференциацией профилактических мероприятий как в сочетанных, так и в автономных природных очагах инфекционных болезней при меньших экономических затратах.
Ключевые слова: потенциальная эпидемическая опасность, природные очаги бактериальных, вирусных и рик-кетсиозных инфекций.
На энзоотичной по чуме территории регионов Северного и Северо-Западного Прикаспия в последние десятилетия регистрируется спорадическая заболеваемость туляремией, лептоспирозом, бруцеллезом, Крымской геморрагической лихорадкой (КГЛ) [1, 17, 18], лихорадкой Западного Нила (ЛЗН) [1-4, 21], Астраханской риккетсиозной лихорадкой (АРЛ) [6, 9]. В отдельные годы здесь была отмечена групповая и вспышечная заболеваемость (2005-2008 гг. - Крымской геморрагической лихорадкой, 1999 г. - лихорадкой Западного Нила) [3, 10-12, 18-20]. В особенности обращают на себя внимание вирусные и риккетси-озные инфекции.
Так, заболевания КГЛ в Астраханской области регистрировались ежегодно (кроме 2014 г.). При этом в общей динамике заболеваемости выделяются три подъема заболеваемости: в 2001-2002 гг., 2005-2007 гг. и 2010 г., сменяющиеся его резким снижением. Вместе с тем отмечается статистически достоверная (р < 0,05) тенденция к снижению заболеваемости.
Напротив, показатель заболеваемости ЛЗН на 100 тысяч населения в Астраханской области колебался от 7,3 в 2005 г. до 0,1 в 2007 и в 2016 г., составляя в среднем 2,7 ± 1,2. Вычисление тенденции динамики заболеваемости этой инфекцией в Астрахан-
© Куклев Е.В., Ковалевская А.А., Агапов Б.Л., Щербакова С.А., 2019
Куклев Евгений Валентинович - доктор медицинских наук, ведущий научный сотрудник (e-mail: [email protected]; тел. 8 (845) 273-46-48; ORCID iD: 0000-0002-9425-7194).
Ковалевская Анастасия Александровна - врач-эпидемиолог эпидемиологического отдела с функцией обеспечения биологической безопасности (e-mail: [email protected]; тел.: 8 (851) 233-37-00; ORCID iD: 0000-0002-8953-8813).
Агапов Борис Леонардович - заместитель директора по эпидемиологической работе, временно исполняющий обязанности директора (e-mail: [email protected]; тел.: 8 (851) 233-37-00; ORCID iD: 0000-0001-5395-6688).
Щербакова Светлана Анатольевна - доктор биологических наук, заместитель директора по научной и противоэпидемической работе (e-mail: [email protected]; тел.: +7 (845) 226-21-31; ORCID iD: 0000-0003-1143-4069).
