CC BY
0
УДК 616.98:578.834.1 ГРНТИ 76.33.43
ПЕРИОДИЗАЦИЯ РАСПРОСТРАНЕНИЯ COVID-19 НА РЕГИОНАЛЬНОМ УРОВНЕ
12 12 А.И. Блох ' , Н.А. Пеньевская '
1ФБУН «Омский НИИприродно-очаговых инфекций» Роспотребнадзора Россия, 644080, г. Омск, просп. Мира, 7
2ФГБОУ ВО «Омский государственный медицинский университет» Минздрава России, Россия, 644099, г. Омск, ул. Ленина, 12
На основе ежедневных наблюдений за эпидемическим процессом COVID-19 в субъектах Российской Федерации в 2020-2023 гг. выделены эпидемические волны. Для этого исходные данные подвергали экспоненциальному сглаживанию и проводили поиск локальных экстремумов (минимумов) регистрации в пределах окна 14 дней — максимальной длительности инкубационного периода COVID-19. Установлено, что первые случаи COVID-19 выявлены в двух регионах России уже на 5-й неделе 2020 г, а активное вовлечение регионов началось лишь на 9-й неделе 2020 г. При этом в большинство регионов занос возбудителя COVID-19 произошёл на 12-й неделе 2020 г. Последующее распространение новой коронавирусной инфекции в разных регионах характеризовалось наличием от 7 до 12 волн. Они в 2021 г. в значительной степени синхронизировались между разными субъектами Российской Федерации. Единый алгоритм идентификации волн COVID-19 позволил выявить различия в количестве эпидемических циклов в регионах, а также сроках их начала и окончания. Неравномерный занос возбудителя перестал сказываться на течении эпидемического процесса уже в 2021 г.
Ключевые слова: COVID-19, эпидемиология, надзор в сфере общественного здравоохранения.
PERIODIZATION OF THE SPREAD OF COVID-19 AT THE SUBNATIONAL LEVEL
A.I. Blokh1,2, N.A. Pen'evskaya1,2
1Omsk Research Institute of Natural Focal Infections of Rospotrebnadzor Russia, 644080, Omsk, prosp. Mira, 7
2Omsk state Medical University of Ministry of Healthcare Russia Omsk, Russia
Based on daily observations of the COVID-19 epidemic process in the constituent entities of the Russian Federation in 2020-2023 epidemic waves were identified. For this the initial data was exponentially smoothed and a search was carried out for local extremes (minima) of registration within a window of 14 days — the maximum duration of the incubation period of COVID-19. Data processing was carried out using the pandas, geopandas, scipy libraries in Python. It was found that the first cases of COVID-19 were identified in two regions of Russia already in the 05th week of 2020, and the active involvement of the regions began only in the 09th week of 2020. At the same time, the introduction of the COVID-19 pathogen into most regions occurred in Week 12, 2020. The subsequent spread of the new coronavirus infection in different regions was characterized by the presence of 7 to 12 waves, which in 2021 were mostly synchronized between different constituent entities of the Russian Federation. A unified algorithm for identifying COVID-19 waves made it possible to identify differences in the number of epidemic cycles in the regions, as well as their start and end dates. The uneven introduction of the pathogen ceased to affect the course of the epidemic process already in 2021.
Keywords: COVID-19, epidemiology, public health surveillance.
Введение
Официальное сообщение о выявлении первых заболевших в России пришлось на 31 января 2020 г., но в разные регионы занос инфекции происходил неравномерно [1]. Распространение новой коронавирусной инфекции характеризовалось чередованием фаз роста и спада заболеваемости, в некоторых
© Блох А.И., Пеньевская Н.А., 2024_
случаях разделённых фазами относительно стабильной заболеваемости, то есть чередованием эпидемических циклов, или волн. Неформализованное понимание «эпидемической волны» в литературе описывается как «существенное, значительное и устойчивое повышение уровня заболеваемости населения, за которым следует значительное и устойчивое
снижение заболеваемости населения» [2]. Такое определение использовано нами в качестве отправной точки для дальнейшего анализа. Проблема разграничения волн распространения новой коронавирусной инфекции имеет существенное прикладное значение для анализа особенностей и выявления эпидемиологических закономерностей распространения СОУШ-19 в разные периоды времени. В случае двух и более эпидемических циклов, или волн, особенно при смене доминирующего геноварианта возбудителя, встаёт вопрос о разграничении собираемых данных по периодам.
Традиционно эпидемиологический анализ проводится с использованием таких временных интервалов, как год, месяц, неделя, или эпидемический сезон (в случае острых респираторных инфекций и гриппа). Такой подход в современных условиях глобализации не всегда подходит для изучения эпидемий, поскольку распространение высококонтагиозных (особенно «новых») возбудителей не только достаточно сложно остановить границами государств, но и заключить в определённые временные рамки.
Сегодня предложен целый комплекс различных по своей природе методик, которые в той или иной степени позволяют сегментировать непрерывный процесс распространения возбудителя в человеческой популяции. Несмотря на то что визуально выделить по ретроспективным данным неформально понимаемую волну распространения новой коронавирусной инфекции достаточно просто, такой подход субъективен и не разрешает споров относительно точных временных границ волны, а потому не может использоваться в контексте эпидемиологического анализа особенностей разных волн распространения СОУШ-19 на различных территориях.
Цель исследования: разработать и апробировать алгоритм периодизации эпидемического процесса СОУШ-19 на территории Российской Федерации в региональном разрезе.
Материалы и методы. Для исследования использовали данные эпидемиологического надзора (ежедневные) за заболеваемостью населения СОУШ-19 в разрезе субъектов Российской Федерации (не включая Луганскую Народную Республику, Донецкую Народную Республику, Запорожскую и Херсонскую области из-за полной недоступности ретроспективных и частичной доступности оперативных
данных) с начала регистрации COVID-19 и до ноября 2023 г.
Для оценки неравномерности распространения COVID-19 по территории РФ нами предложен и использован следующий алгоритм периодизации эпидемического процесса: за волну распространения COVID-19 принимали период между двумя локальными минимумами регистрации COVID-19 в субъекте РФ, для вычисления которых фактические данные подвергались экспоненциальному сглаживанию с целью минимизации влияния флуктуа-ций в работе системы выявления и учёта инфекционной заболеваемости на итоговый результат. Локальные минимумы регистрации выявляли с использованием сглаженных данных, а окно поиска локальных экстремумов принималось равным максимальному инкубационному периоду COVID-19 (14 дней); при этом из двух и более последовательных локальных минимумов выбирался наименьший. Для наглядности на соответствующих рисунках отмечены также локальные максимумы суточной регистрации COVID-19 в субъекте РФ, определённые по той же методологии.
Обработка временных рядов проводилась с помощью библиотек geopandas, pandas, scipy на языке Python. Пространственное распределение данных представлено в виде классифицированных фоновых картограмм. Выходные картограммы представлены в проекционной системе координат EPSG:4326, которая чаще всего используется в неспециализированных целях и более привычна для восприятия читателем.
Результаты и обсуждение
Занос возбудителя COVID-19 в субъекты Российской Федерации происходил неравномерно (рис. 1). После выявления первых двух случаев 31.01.2020 г. немногим более месяца в других субъектах Российской Федерации новые случаи не выявлялись. Однако уже в марте начало фиксироваться стремительное распространение COVID-19 среди населения субъектов Российской Федерации, а наибольшее количество регионов сообщило о выявлении первых случаев COVID-19 в период с 17.03.2020 г. по 23.03.2020 г. К 16.04.2020 г. случаи COVID-19 регистрировались на всей территории Российской Федерации (см. рис. 1).
По состоянию на 31.01.2020 г.
По состоянию на 09.03.2020 г.
Новые случаи ССЛ/10-19 не были выявлены с 01.02.2020 г. по 02.03.2020 г.
По состоянию на 16.03.2020 г.
По состоянию на 23.03.2020 г.
По состоянию на 30.03.2020 г.
По состоянию на 06.04.2020 г.
По состоянию на 13.04.2020 г.
По состоянию на 16.04.2020 г.
Рис. 1. Динамика вовлечения субъектов Российской Федерации в эпидемический процесс СОУ1Б-19 в 2020 г. по официальным сообщениям (недельные данные)
Результаты применения алгоритма периодизации в различных регионах были неодинаковы как по количеству идентифицированных локальных экстремумов (минимумов и максимумов) регистрации, так и по распределению их во времени (рис. 2). В целом следует отметить, что применённый алгоритм идентификации границ волн распространения СОУШ-19 в субъектах Российской Федерации в некоторых случаях давал несколько неоднозначные результаты: так, в Тульской области шестому максимуму регистрации предшествует почти столь же выраженный пик в пределах менее максимального инкубационного периода новой коронавирусной инфекции (рис. 2, панель А), что можно рассматривать как единую волну с небольшим снижением регистрации на её вершине (так и определено алгоритмом), либо же можно говорить о близком расположении двух волн. Дифференцировать описанные ситуации без дополнительных данных (например, сведения о структуре циркулирующих штаммов, сведения о регистрации груп-
повой заболеваемости) не представляется возможным. С другой стороны, в Республике Алтай восьмой и девятый максимумы регистрации лишь незначительно отличались по уровню от соответствующих минимумов регистрации (рис. 2, панель В), что обусловлено отсутствием ограничений на минимальный размер волны в использованном алгоритме. В доступной литературе обоснований и обсуждений такого параметра, как размер волны, не найдено, а с теоретических позиций высота волны зависит от конкретных условий распространения инфекции. Периодизация в Смоленской области и Приморском крае (рис. 2, панель Б и Г соответственно) за счёт более выраженных волн вызывает минимальное количество вопросов.
Распределение в субъектах РФ локальных минимумов регистрации случаев СОУШ-19, соответствующих границам окончания волн, и локальных максимумов, отмечающих пики волн в соответствующих субъектах, в динамике по неделям в первый год
циркуляции 8ЛЯ8-СоУ-2 (до начала мая 2021 г.) характеризовалось выраженной равномерностью: в одну и ту же неделю в нескольких регионах волна оканчивалась, тогда как в других отмечался пик регистрации. В дальнейшем волны распространения СОУШ-19 в регионах в значительной мере синхронизировались, пики волн и окончания волн регистрировались обособленно друг от
друга. По-видимому, такая картина сложилась из-за неравномерного (неодновременного) заноса возбудителя в популяции субъектов РФ в первый год, когда действовали наиболее жёсткие режимно-ограничительные мероприятия, тогда как с 2021 г. движение населения в значительной мере восстановилось, тем самым занос новых вариантов возбудителя значительно облегчился.
Панель А — Тульская область
Панель В — Республика Алтай
/VV^VVVV/VVVVVZ /VVVVVVVVVVVVVV/
лага Цата
Панель Б — Смоленская область
Панель Г — Приморский край
Пата Да,В
Рис. 2. Пример идентификации дней минимальной и максимальной регистрации СОУШ-19
в некоторых регионах Российской Федерации Примечание: Звёздочками отмечены даты максимальной (верхние)
и минимальной (нижние) регистрации случаев СОУГО-19
С помощью предложенного алгоритма периодизации идентифицировано неодинаковое количество волн распространения новой коронавирусной инфекции в субъектах Российской Федерации (рис. 3). В европейской части России для 86 % регионов определено от 7 до 9 волн, для остальных (14 %) — от 10 до 12 волн. В азиатской части РФ доля регионов с числом волн от 7 до 9 составила 67 %, а с числом волн 10-12 — 33 %.
Вероятно, в более плотно заселённых субъектах европейской части РФ за счёт активного перемещения населения (в том числе маятниковой миграции в крупных городских агломерациях, охватывающих смежные субъекты РФ) происходила синхронизация течения эпидемического процесса в большей степени, чем это было возможно в достаточно крупных и менее населённых регионах азиатской части России.
Рис. 3. Пространственное распределение количества идентифицированных волн распространения новой коронавирусной инфекции в субъектах Российской Федерации по состоянию на ноябрь 2023 г.
Обращает на себя внимание то, что большее количество волн выявлено в менее населённых регионах, что может объясняться более выраженной ролью групповой заболеваемости. Например, размер отделений (количество коек в нём) в медицинских организациях разных регионов примерно одинаков, при заносе новой коронавирусной инфекции количество контактирующих с источником лиц и количество заразившихся будут сопоставимы, но в масштабах Чукотского автономного округа (население менее 50 тыс. чел.) последствия будут существенно более заметны, чем в масштабах г. Москвы (население более 13 млн чел.). Использование показателей заболеваемости вместо абсолютных величин данную проблему решить не позволяет, потому что в небольшом замкнутом коллективе распространение инфекции определяется не численностью населения или его плотностью, а лишь условиями в данном конкретном коллективе.
Обсуждение
В литературе описаны несколько подходов к дифференциации волн распространения новой коронавирусной инфекции, в том числе формализованных. Некоторые из этих подходов можно применять в оперативном режиме, другие — исключительно ретроспективно.
Неформализованный подход. В середине 2020 г. новостные сводки во всём мире пестрели заголовками о второй волне СОУШ-19, существенно меньшее внимание уделено было третьей и последующим волнам. Однако общим было отсутствие каких-либо внятных критериев разделения ситуации по волнам. В научной литературе такой же неформализованный подход можно найти у зарубежных [2] и отечественных авторов [3].
Использование статистического эпидемического порога. Наиболее прямолинейный подход состоит в установлении некоторого произвольно выбранного уровня заболеваемости населения, превышение которого свидетельствует о начале волны, тогда как последующий спад до уровня установленного порога — о её окончании. Например, в работе чилийских авторов Ауа1а е! а1. (2021) таким порогом выступает показатель заболеваемости населения СОУШ-19, равный 70,0 на 100 тыс. населения [4], тогда как исследователи из Южноафриканского института по изучению заразных заболеваний использовали порог 30,0 на 100 тыс. населения для совокупного населения и 5,0 на 100 тыс. населения для госпитализированной заболеваемости [5]. В некоторой степени можно отнести к этой группе и первый критерий отнесения субъектов Российской Федерации к территориям, «свободным от СОУШ-19», — уровень недельной заболеваемости
менее 30,0 на 100 тыс. населения в течение 4-х недель [6]. Такой подход не позволяет дифференцировать волны в том случае, если заболеваемость населения не снизилась до уровня порога, например, близкие во времени волны будут расценены как единая волна.
Помимо установления порога по величине показателя заболеваемости описан подход, при котором устанавливается пороговое значение по темпу прироста числа случаев заболевания. Так, в исследовании Otshudiema et al. (2022) началом новой волны считался темп прироста более 10 % за прошедшие две недели (при использовании 7-дневного скользящего среднего), дополнительным порогом выступал темп прироста более 20,0 % при тех же условиях либо прирост числа регистрируемых случаев — на 30,0 % за сутки [7].
Использование динамического (алгоритмического) эпидемического порога. В отличие от предыдущего подхода эпидемический порог устанавливается по некоторому произвольному правилу. Например, комитет по COVID-19 совета министров Южной Африки предложил считать началом волны превышение 30 % пикового количества случаев в предшествующей волне, а окончанием волны — снижение количества новых случаев до 15 % от пикового значения за данную волну [4].
Использование беспороговых алгоритмов. Правила разделения волн могут устанавливаться в том числе и без использования пороговых уровней регистрации. Так, Hale et al. (2021) предложили проводить выравнивание временного ряда с помощью локально взвешенного сглаживания диаграммы рассеяния, а затем определять максимальные или минимальные значения, которые рассматривались как границы волн при условии расстояния между ними не менее 1 месяца [8]. Указывая на возможность получения нелогичных результатов, данный подход развили Pradeep & Raman (2023), предложившие сначала вычитать средний уровень из временного ряда, затем проводить сглаживание методом локально взвешенного сглаживания диаграммы рассеяния (1/14) и простое экспоненциальное сглаживание [9]. Достаточно очевидно, что при использовании данных за разный период времени такой алгоритм даст неодинаковое разграничение волн вследствие изменения среднего уровня, кроме того, использование локально взвешенного сглаживания диаграммы рассеяния (1/14) никак не объясняется
авторами, но разумным объяснением представляется, что это длительность инкубационного периода, однако для разных штаммов SARS-CoV-2 этот параметр неодинаков.
Помимо использования различных вариантов сглаживания коллектив исследователей из Испании использовал для идентификации волн логистическую регрессию [10], а впоследствии была разработана библиотека epidWave для MATLAB/Python [11]. Следует отметить, что данный алгоритм требует ручного подбора целого ряда коэффициентов, которые существенно влияют на результат [10, 11].
Существенно более сложный алгоритм Harvey et al. (2023), также реализованный в виде библиотеки Python, строится в несколько этапов: на первом этапе во временном ряду регистрации новых случаев COVID-19 определяются локальные минимумы и максимумы, которые затем последовательно исключаются по 4 правилам [3]:
правило А: объединяются короткие волны (если длина меньше установленного минимума);
правило B: исключаются резкие перепады в регистрации (если между двумя критическими точками расстояние меньше установленного минимума и состояние регистрации затем возвращается к изначальному);
правило С: исключается незначительный рост регистрации (если прирост регистрации меньше установленного минимума);
правило D: исключается незначительный спад регистрации (если уровень регистрации не меньше, чем установленная часть от пикового уровня).
Оставшиеся в итоге точки являются пиками волн и минимумами регистрации между волнами, что можно использовать для разграничения волн [2]. Отметим, что для использования данного алгоритма нужно проводить подбор критических величин для каждого из четырёх правил, что снижает сопоставимость результатов в разных условиях.
Использование биологических закономерностей. Два подхода в этой группе являются алгоритмическими, но основываются на одной и той же эпидемиологической закономерности: распространение инфекционного агента возможно при условии, что один заражённый в среднем заражает хотя бы одного восприимчивого, в противном случае распространение инфекции тормозится. Напрямую эта закономерность математически выражается
через расчёт каким-либо методом показателя репродукции (R) для COVID-19.
Например, международная группа исследователей Zhang et al. (2021) использовала метод расчёта показателя репродукции с помощью фильтра Калмана [12], а в отечественных методических документах определён упрощённый алгоритм расчёта коэффициента распространения инфекции Rt с целью оптимизации снятия ограничительных мероприятий в период распространения новой корона-вирусной инфекции.
В научной литературе описано три алгоритма вычисления R: EpiEstim, APEestim и EpiFilter [12]. В условиях многообразия предложенных методов выделения эпидемических циклов суждение о преимуществе того или иного подхода представляется затруднительным. Вместе с тем методология периодизации эпидемического процесса приобретает особое значение в ходе сравнительного анализа характера распространения новой корона-вирусной инфекции на различных территориях в масштабах всей страны.
БИБЛИОГРAФИЧЕСКИЙ СПИСОК
1. В России выявили первых заражённых коронавирусом из Китая // РБК. 2020, 31 янв. URL: http://www.rbc.ru/society/3i/0i/2020/5e34if929a7947d 43c9aa308 (дата обращения: 24.12.2023 г.).
2. Epidemiological waves — Types, drivers and modulators in the COVID-19 pandemic / J. Harvey, B. Chan, T. Srivastava [et al.] // Heliyon. 2023. Vol. 9. № 5. Р. el6015.
3. Лкимкин В.Г. COVID-19: эволюция пандемии в России. Сообщение I: проявления эпидемического процесса COVID-19 / В.Г. Лкимкин, ATO. Попова, A.A. Плоскирева [и др.] // Журнал микробиологии, эпидемиологии и иммунобиологии. 2022. Т. 99, № 3. С. 269-286.
4. Ayala A. Identification of COVID-19 Waves: Considerations for Research and Policy / A. Ayala, P. Villalobos Dintrans, F. Elorrieta, C. Castillo, C. Vargas, M. Maddaleno // Int J Environ Res Public Health.-2021. Vol. 18. № 2l. P.11058.
5. National Institute for Communicable Diseases. Proposed definition of COVID-i9 wave in South Africa // Communicable Diseases Communiqué. 2021. Vol. 20. № 11. P. 3-4.
6. Метод. рекомендации МР 3.1.0262-21 «Критерии отнесения субъектов Российской Федерации к территориям, свободным от COVID-i9» (утв. Федеральной службой по надзору в сфере защиты прав потребителей и благополучия человека 12 октября 2021 г.).
7. Otshudiema J.O. Epidemiological Comparison of Four COVID-19 Waves in the Democratic Republic of the Congo, March 2020 - January 2022 /
Нами предложен и апробирован оригинальный методологический подход к периодизации эпидемического процесса COVID-19 для оценки неравномерности распространения новой коронавирусной инфекции на территории Российской Федерации в региональном разрезе.
Выводы
1) Изучение эпидемиологической ситуации по COVID-19 в разрезе субъектов Российской Федерации с помощью единого алгоритма позволило выявить существенные различия в количестве идентифицируемых волн (от 7 до 12), а также сроках их начала и окончания.
2) Неравномерный занос возбудителя COVID-19 в субъекты Российской Федерации в течение двух месяцев, вследствие различающегося социально-экономического положения населения, привёл к растянутости сроков завершения первой волны распространения COVID-19, однако после ослабления противоэпидемических мероприятий начало и окончание волн в изученных субъектах РФ происходило в течение 2-4 недель.
REFERENCES
1. V Rossii vy'yavili pervy'x zarazhenny'x koronavirusom iz Kitaya / RBK 202, 31 yanv. // URL: http://www.rbc.ru/society/31/01/2020/5e341f929a7947d 43c9aa308 (data obrashheniya: 24.12.2023 g.).
2. Epidemiological waves — Types, drivers and modulators in the COVID-19 pandemic / J. Harvey,
B. Chan, T. Srivastava, et al. // Heliyon. 2023. Vol. 9. № 5. P. e16015.
3. Akimkin V.G. COVID-19: e'volyuciya pan-demii v Rossii. Soobshhenie I: proyavleniya e'pide-micheskogo processa COVID-19 / V.G. Akimkin, A.Yu. Popova, A.A. Ploskireva [i dr.] // Zhurnal mikro-biologii, e'pidemiologii i immunobiologii. 2022. T. 99, № 3. S. 269-286.
4. Ayala А. Identification of COVID-19 Waves: Considerations for Research and Policy / A. Aya-la, P. Villalobos Dintrans, F. Elorrieta, C. Castillo,
C. Vargas, M. Maddaleno // Int J Environ Res Public Health. 2021. Vol. 18. № 21. P.11058.
5. National Institute for Communicable Diseases. Proposed definition of COVID-19 wave in South Africa // Communicable Diseases Communiqué. 2021. Vol. 20. № 11. P. 3-4.
6. Metodicheskie rekomendacii MR 3.1.026221 "Kriterii otneseniya sub''ektov Rossijskoj Federacii k territoriyam, svobodny'm ot COVID-19" (utv. Fe-deral'noj sluzhboj po nadzoru v sfere zashhity' prav po-trebitelej i blagopoluchiya cheloveka 12 oktyabrya 2021 g.).
7. Otshudiema J.O. Epidemiological Comparison of Four COVID-19 Waves in the Democratic Republic of the Congo, March 2020 - January 2022 /
J.O. Otshudiema, G.L.T. Folefack, J.M. Nsio [et al.] // J Epidemiol Glob Health. 2022. Vol. 12, № 3. Р. 316-327.
8. Hale T. Government responses and COVID-19 deaths: Global evidence across multiple pandemic waves / T. Hale, N. Angrist, A.J. Hale [et al.] // PLOS ONE. 2021. Vol. 16, № 7. Р. e0253116.
9. Pradeep M., Raman K. COWAVE: A labelled COVID-19 wave dataset for building predictive models // PLoS One. 2023. Vol. 18, № 7. Р. e0284076.
10. The starting dates of COVID-19 multiple waves / P.R.L. Gianfelice, R.S. Oyarzabal, A. Cunha Jr., J.M.V. Grzybowski, F.D.C. Batista, E.E.N. Macau // Chaos. 2022. Vol.32, № 3. Р. 031101.
11. Cunha Jr. A. EpidWaves: A code for fitting multi-wave epidemic models / A. Cunha Jr., F.D.C. Batista, P.R.L. Gianfelice, R.S. Oyarzabal, J.M.V. Grzybowski, E.E.N. Macau // Softw. Impacts. 2022. № 14. Р. 100391.
12. A Second Wave? What Do People Mean by COVID Waves? : A Working Definition of Epidemic Waves / S.X. Zhang, F. Arroyo Marioli, R. Gao, S. Wang // Risk Manag Healthc Policy. 2021. № 14. Р. 3775-3782.
13. Методические рекомендации MP 3.1.0178-20 «Определение комплекса мероприятий, а также показателей, являющихся основанием для поэтапного снятия ограничительных мероприятий в условиях эпидемического распространения CОVID-19» (утв. Федеральной службой по надзору в сфере защиты прав потребителей и благополучия человека 8 мая 2020 г.).
J.O. Otshudiema, G.L.T. Folefack, J.M. Nsio [et al.] // J Epidemiol Glob Health. 2022. Vol. 12, № 3. P. 316-327.
8. Hale T. Government responses and COVID-19 deaths: Global evidence across multiple pandemic waves / T. Hale, N. Angrist, A.J. Hale [et al.] // PLOS ONE. 2021. Vol. 16, № 7. P. e0253116.
9. Pradeep M., Raman K. COWAVE: A labelled COVID-19 wave dataset for building predictive models // PLoS One. 2023. Vol. 18, № 7. P. e0284076.
10. The starting dates of COVID-19 multiple waves / P.R.L. Gianfelice, R.S. Oyarzabal, A. Cunha Jr., J.M.V. Grzybowski, F.D.C. Batista, E.E.N. Macau // Chaos. 2022. Vol. 32, № 3. P. 031101.
11. Cunha Jr. A. EpidWaves: A code for fitting multi-wave epidemic models / A. Cunha Jr, F.D.C. Batista, P.R.L. Gianfelice, R.S. Oyarzabal, J.M.V. Grzybowski, E.E.N. Macau // Softw. Impacts. 2022. № 14. P. 100391.
12. A Second Wave? What Do People Mean by COVID Waves? : A Working Definition of Epidemic Waves / S.X. Zhang, F. Arroyo Marioli, R. Gao, S. Wang // Risk Manag Healthc Policy. 2021. № 14. P. 3775-3782.
13. Metodicheskie rekomendacii MP 3.1.0178-20 «Opredelenie kompleksa meropriyatij, a takzhe pokazatelej, yavlyayushhixsya osnovaniem dlya poe'tapnogo snyatiya ogranichitel'ny'x meropriyatij v usloviyax e'pidemicheskogo rasprostraneniya COVID-19» (utv. Federal'noj sluzhboj po nadzoru v sfere zashhity' prav potrebitelej i blagopoluchiya cheloveka 8 maya 2020 g.).
Алексей Игоревич Блох — кандидат медицинских наук, руководитель Сибирского федерального окружного центра по профилактике и борьбе со СПИД Омского НИИ природно-очаговых инфекций, врач-эпидемиолог, старший преподаватель кафедры общественного здоровья и здравоохранения Омского государственного медицинского университета; spy_spirit@mail.ru.
Наталья Александровна Пеньевская — доктор медицинских наук, доцент, ФБУН «Омский НИИ природно-очаговых инфекций» Роспотребнад-зора; ФГБОУ ВО «Омский государственный медицинский университет» Минздрава России.
Aleksey Igorevich Blokh — Cand. Sc. {Medicine}, Head of the Center of the Siberian Federal District for the Prevention and Control of AIDS, Omsk Research Institute of Natural Focal Infections of Rospo-trebnadzor, epidemiologist; Senior Lecturer at the Department of Public Health and Public Health of Omsk State Medical University.
Natalia Alexandrovna Pen'evskaya — doctor of Medical Sciences, Omsk Research Institute of Natural Focal Infections of Rospotrebnadzor; Omsk State Medical University.
Статья поступила в редакцию 08.02.2024 г.
Цитаты
Искусство медицины заключается в том, чтобы развлекать пациента, пока природа занимается лечением болезни.
Вольтер (1694—1778), французский философ-просветитель XVIII века, поэт, прозаик, сатирик, историк, публицист, правозащитник
