Мониторинг и прогноз динамики заболеваемости COVID-19 в Москве: 2020–2021 годы

Актуальность. Накопление информации (статистических данных и знаний) о пандемии COVID-19 приводит к уточнению математических моделей, к расширению области их использования. Целью данного исследования является построение ряда моделей (соответствующих имеющимся знаниям и данным) для идентификации функций, определяющих динамику пандемии, и анализа возможностей проведения прогнозов. Материалы и методы. В работе использованы данные открытых статистических и информационных ресурсов, касающиеся всех аспектов COVID-19. Основой проведенного исследования является метод сбалансированной идентификации и одноименная информационная технология, созданная в Центре распределенных вычислений Института проблем передачи информации РАН. Технология используется для построения (выбора) моделей, соответствующих количеству и качеству данных, проведения расчетов (прогнозов) и представления результатов (в том числе все графики, приведенные ниже, подготовлены на ее основе). Результат. Построенные модели удовлетворительно описывают динамику заболеваемости COVID-19 в Москве. Они могут использоваться для прогноза с горизонтом в несколько месяцев при условии, что в моделируемом объекте не появляются новые, ранее отсутствовавшие элементы. Основным внутренним механизмом, определяющим динамику модели, является коллективный иммунитет и повышение заразности вируса (из-за распространения штаммов Дельта и Омикрон). Заключение. Приведены результаты успешного использования технологии сбалансированной идентификации для мониторинга пандемии COVID-19: модели, соответствующие данным, доступным в различные моменты времени (с марта 2020 по декабрь 2021); полученные новые знания – функциональные зависимости, определяющие динамику системы; расчеты различных эпидемических показателей (заболеваемость, иммунитет, индексы репродукции и др.); различные прогнозы для Москвы (от 01.12.2020, 15.04.2021, 01.08.2021 и 01.08.2021).

1. Sokolov A.V., Voloshinov V.V. Model Selection by Balanced Identification: the Interplay of Optimization and Distributed Computing. Open Computer Science, 2020, 10, p. 283–295. doi:10.1515/comp-2020-0116

2. Brauer F., Castillo-Chavez C., Feng Z. Mathematical Models in Epidemiology. Springer New York, NY; 2019. https://doi.org/10.1007/978-1-4939-9828-9

3. Свирежев Ю. М., Логофет Д. О. Устойчивость биологических сообществ. М.: Наука; 1978.

4. Нахушев, А. М. Уравнения математической биологии. M: Высшая Школа; 1995.

5. Эбелинг В., Энгель А., Файстель Р. Физика процессов эволюции. М.: Эдиториал УРСС; 2001.

6. Sokolov A.V., Sokolova L.A. COVID-19 dynamic model: balanced identification of general biological and country specific features. // 9th International Young Scientist Conference on Computational Science (YSC 2020), Procedia Computer Science, Volume 178, 2020, Pages 301–310. doi:10.1016/j.procs.2020.11.032

7. Годков М. А., Шустов В. В., Коршунов В. А. и др. Формирование коллективного иммунитета к SARS-CoV-2 в популяции населения Москвы. Эпидемиология и Вакцинопрофилактика. 2022;21(1):81–91. https://doi:10.31631/2073-3046-2022-21-1-81-91

8. Sukhoroslov O., Volkov S., Afanasiev A. A Web-Based Platform for Publication and Distributed Execution of Computing Applications. Parallel and Distributed Computing, 14th International Symposium on IEEE. 2015. С. 175–184.