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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).