Ретроспективный анализ и прогнозирование распространения вирусов в реальном времени: на примере COVID-19 в Санкт-Петербурге и в Москве в 2020–2021 гг.

Обложка

Цитировать

Полный текст

Аннотация

Цель исследования – применение математических методов для построения прогнозов динамики случайных значений процентного прироста общего количества заболевших и процентного прироста общего количества выздоровевших и умерших пациентов с проверкой методов при ретроспективном прогнозировании динамики эпидемического процесса COVID-19 в Санкт-Петербурге и в Москве.

Материалы и методы. При ретроспективном прогнозировании динамики общего количества заболевших COVID-19 и динамики общего количества пациентов, завершивших болезнь, использованы прогнозные значения процентных приростов этих показателей. Ретроспективный анализ и вычислительные эксперименты по прогнозированию динамики эпидемического процесса COVID-19 проводили на промежутках длиной 14 сут, начиная с 25 марта 2020 г. до 20 января 2021 г., с использованием метода прогнозирования временны́х рядов, предложенного авторами данной статьи.

Результаты и обсуждение. Представленные в работе ретроспективные 2-недельные прогнозы общего количества заболевших и количества активных случаев COVID-19 продемонстрировали достаточно высокую точность как в Москве, так и в Санкт-Петербурге. Ошибка MAPE (mean absolute percentage error) общего количества заболевших на пиках заболеваемости, как правило, не превышала 1%. Показано, что точность полученных ретроспективных прогнозов общего количества заболевших в Санкт-Петербурге, построенных начиная с мая 2020 г., значительно возросла по сравнению с апрельскими прогнозами. Аналогичное заключение можно сделать и относительно прогнозов общего количества заболевших в Москве в апреле и мае 2020 г.

Об авторах

Виктор Васильевич Захаров

ФГБОУ ВО «Санкт-Петербургский государственный университет»

Email: v.zaharov@spbu.ru
ORCID iD: 0000-0002-2743-3880

д-р физ.-мат. наук, профессор кафедры математического моделирования энергетических систем

Россия, 199034, г. Санкт-Петербург

Юлия Ефимовна Балыкина

ФГБОУ ВО «Санкт-Петербургский государственный университет»

Автор, ответственный за переписку.
Email: j.balykina@spbu.ru
ORCID iD: 0000-0003-2143-0440

канд. физ.-мат. наук, доцент кафедры математического моделирования энергетических систем

Россия, 199034, г. Санкт-Петербург

Список литературы

  1. Foppa I.M. A Historical Introduction to Mathematical Modeling of Infectious Diseases: Seminal Papers in Epidemiology. London: Academic Press; 2016.
  2. Shinde G.R., Kalamkar A.B., Mahalle P.N., Dey N., Chaki J., Hassanien A.E. Forecasting models for coronavirus disease (COVID-19): A survey of the state-of-the-art. SN Comput. Sci. 2020; 1(4): 197. https://doi.org/10.1007/s42979-020-00209-9
  3. Kermack W.O., McKendrick A.G. A contribution to the mathematical theory of epidemics. Proc. R. Soc. (London) A. 1927; 115(772): 700–21. https://doi.org/10.1098/rspa.1927.0118
  4. Anderson R.M., May R.M. Infectious Diseases of Humans. Dynamics and Control. Oxford: Oxford University Press; 1991.
  5. Moein S., Nickaeen N., Roointan A., Borhani N., Heidary Z., Javanmard S.H., et al. Inefficiency of SIR models in forecasting COVID-19 epidemic: a case study of Isfahan. Sci. Rep. 2021; 11(1): 4725. https://doi.org/10.1038/s41598-021-84055-6
  6. Melikechi O., Young A.L., Tang T., Bowman T., Dunson D., Johndrow J. Limits of epidemic prediction using SIR models. J. Math Biol. 2022; 85(4): 36. https://doi.org/10.1007/s00285-022-01804-5
  7. Dil S., Dil N., Maken Z.H. COVID-19 trends and forecast in the Eastern Mediterranean region with a particular focus on Pakistan. Cureus. 2020; 12(6): e8582. https://doi.org/10.7759/cureus.8582
  8. Moftakhar L., Seif M., Safe M.S. Exponentially increasing trend of infected patients with COVID-19 in Iran: A comparison of neural network and ARIMA forecasting models. Iran J. Public Health. 2020; 49(Suppl. 1): 92–100. https://doi.org/10.18502/ijph.v49iS1.3675
  9. Ahmar A.S., Del Val E.B. SutteARIMA: Short-term forecasting method, a case: Covid-19 and stock market in Spain. Sci. Total. Environ. 2020; 729: 138883. https://doi.org/10.1016/j.scitotenv.2020.138883
  10. Chaudhry R.M., Hanif A., Chaudhary M., Minhas S. 2nd., Mirza K., Ashraf T., et al. Coronavirus disease 2019 (COVID-19): Forecast of an emerging urgency in Pakistan. Cureus. 2020; 12(5): e8346. https://doi.org/10.7759/cureus.8346
  11. Tandon H., Ranjan P., Chakraborty T., Suhag V. Coronavirus (COVID-19): ARIMA-based time-series analysis to forecast near future and the effect of school reopening in India. J. Health Manag. 2022; 24(3): 373–88. https://doi.org/10.1177/09720634221109087
  12. Özen F. Random forest regression for prediction of COVID-19 daily cases and deaths in Turkey. Heliyon. 2024; 10(4): e25746. https://doi.org/10.1016/j.heliyon.2024.e25746
  13. Galasso J., Cao D.M., Hochberg R. A random forest model for forecasting regional COVID-19 cases utilizing reproduction number estimates and demographic data. Chaos Solitons Fractals. 2022; 156: 111779. https://doi.org/10.1016/j.chaos.2021.111779
  14. Wieczorek M., Siłka J., Woźniak M. Neural network powered COVID-19 spread forecasting model. Chaos Solitons Fractals. 2020; 140: 110203. https://doi.org/10.1016/j.chaos.2020.110203
  15. Dadyan E., Avetisyan P. Neural networks and forecasting COVID-19. Opt. Mem. Neural Networks. 2021; 30: 225–35. https://doi.org/10.3103/S1060992X21030085
  16. Tamang S., Singh P., Datta B. Forecasting of COVID-19 cases based on prediction using artificial neural network curve fitting technique. Glob. J. Environ. Sci. Manag. 2020; 6(S): 53–64. https://doi.org/10.22034/GJESM.2019.06.SI.06
  17. Акимкин В.Г., Кузин С.Н., Семененко Т.А., Шипулина О.Ю., Яцышина С.Б., Тиванова Е.В. и др. Закономерности эпидемического распространения SARS-CoV-2 в условиях мегаполиса. Вопросы вирусологии. 2020; 65(4): 203–11. https://doi.org/10.36233/0507-4088-2020-65-4-203-211 https://elibrary.ru/fxkaqf
  18. Акимкин В.Г., Кузин С.Н., Семененко Т.А., Плоскирева А.А., Дубоделов Д.В., Тиванова Е.В. и др. Характеристика эпидемиологической ситуации по COVID-19 в Российской Федерации в 2020 г. Вестник Российской академии медицинских наук. 2021; 76(4): 412–22. https://doi.org/10.15690/vramn1505 https://elibrary.ru/zmowbe
  19. Акимкин В.Г., Попова А.Ю., Плоскирева А.А., Углева С.В., Семененко Т.А., Пшеничная Н.Ю. и др. COVID-19: эволюция пандемии в России. Сообщение I: проявления эпидемического процесса COVID-19. Журнал микробиологии, эпидемиологии и иммунобиологии. 2022; 99(3): 269–86. https://doi.org/10.36233/0372-9311-276 https://elibrary.ru/zxgtfd
  20. Акимкин В.Г., Кузин С.Н., Колосовская Е.Н., Кудрявцева Е.Н., Семененко Т.А., Плоскирева А.А. и др. Характеристика эпидемиологической ситуации по COVID-19 в Санкт-Петербурге. Журнал микробиологии, эпидемиологии и иммунобиологии. 2021; 98(5): 497–511. https://doi.org/10.36233/0372-9311-154 https://elibrary.ru/dtmnhz
  21. Белов А.Б. Академик В.Д. Беляков – основоположник отечественной теории эпидемиологической науки XXI века. Эпидемиология и вакцинопрофилактика. 2016; 15(6): 9–15. https://elibrary.ru/xemevf
  22. Саркисов АС. Академик В.Д. Беляков и его вклад в развитие эпидемиологии. Бюллетень национального научно-исследовательского института общественного здоровья имени Н.А. Семашко. 2020; (4): 68–72. https://doi.org/10.25742/NRIPH.2020.04.010 https://elibrary.ru/qeazcn
  23. Захаров В.В., Балыкина Ю.Е. Балансовая модель эпидемии COVID-19 на основе процентного прироста. Информатика и автоматизация. 2021; 20(5): 1034–64. https://doi.org/10.15622/20.5.2 https://elibrary.ru/zczxuw
  24. Zakharov V., Balykina Y., Ilin I., Tick A. Forecasting a new type of virus spread: a case study of COVID-19 with stochastic parameters. Mathematics. 2022; 10(20): 3725. https://doi.org/10.3390/math10203725
  25. Балыкина Ю.Е., Захаров В.В. Интегральная модель притока и оттока и ее приложения. Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2024; 20(2): 121–35. https://doi.org/10.21638/spbu10.2024.201
  26. Беляков В.Д., Дегтярев А.А., Иванников Ю.Г. Качество и эффективность противоэпидемических мероприятий. Ленинград: Медицина; 1981. https://elibrary.ru/zfepwn

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Двухнедельные прогнозы общего количества заболевших в Санкт-Петербурге в мае 2020 г.

Скачать (109KB)
Метаданные
3. Рис. 2. Двухнедельные прогнозы общего количества заболевших в Москве в декабре 2020 г.

Скачать (95KB)
Метаданные
4. Рис. 3. Прогноз количества активных случаев болезни в Санкт-Петербурге в мае–июне 2020 г.

Скачать (109KB)
Метаданные
5. Рис. 4. Прогноз количества активных случаев болезни в Москве в декабре 2020 г.

Скачать (113KB)
Метаданные
6. Рис. 5. Прогноз новых случаев болезни в Москве в декабре 2020 г.

Скачать (119KB)
Метаданные
7. Рис. 6. Прогноз новых случаев при распространении штамма дельта в Москве в июне 2021 г.

Скачать (93KB)
Метаданные
8. Приложение
Скачать (249KB)
Метаданные

© Захаров В.В., Балыкина Ю.Е., 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».