Уточнение прогноза заболеваемости COVID-19 с наложением на сезонные вспышки гриппа

Введение. Появление новых трансмиссивных заболеваний требует разработки соответствующих лечебных регламентов, мер предупреждения болезни, схем реабилитации и т. д. Важнейшим элементом всех обозначенных выше мероприятий является своевременность, которая невозможна без надёжного прогнозирования эпидемической обстановки. Фактически эпидемическая ситуация может обостриться при наложении двух эпидемий, что актуализует прогнозирование соответствующих временных интервалов. Цель данной работы — научно обоснованное предсказание периодов, отвечающих наложению эпидемий традиционного гриппа и вновь появившегося COVID-19.  

Материалы и методы. Научные изыскания основываются на анализе статистических данных. Для изучения и прогнозирования процессов использованы техники Фурье-разложения и авторегрессии. Скорректирована оригинальная математическая модель динамики COVID-19 с учетом новых статистических данных. Сопоставлены результирующие масштабно-временные и случайные характеристики COVID-19 в рамках модели с известными параметрами традиционного гриппа.  

Результаты исследования. Установлено, что динамика эпидемии COVID-19 имеет ярко выраженный сезонный характер с периодичностью три раза в год. Выявлено, что алгоритм прогноза заболеваемости COVID-19 методом Фурье-разложения не является надежным, однако позволяет хорошо описать наблюдаемую динамику развития эпидемии. Авторегрессионный анализ подходит лишь для краткосрочного прогнозирования коронавирусной эпидемии. Сопоставлены особенности течения двух заболеваний сезонного характера — COVID-19 и гриппа. Спрогнозированы моменты, когда их совместное действие на человека окажется особенно пагубным.  

Обсуждение и заключения. Все методы математического анализа убедительно доказали, что периодичность вспышек COVID-19 — трижды в год, а гриппа — ежегодно. В периоды, когда действия двух вирусов (коронавируса и гриппа) накладываются, следует быть особо осторожными и соблюдать меры, направленные на снижение риска заболеть сезонной вирусной инфекцией, в том числе проводить регулярную вакцинацию. 

1. Mollarasouli F, Zare-Shehneh N, Ghaedi M. A Review on Corona Virus Disease 2019 (COVID-19): Current Progress, Clinical Features and Bioanalytical Diagnostic Methods. Microchimica Acta. 2022;189:103. https://doi.org/10.1007/s00604-022-05167-y

2. Азимова Н.Н., Бедоидзе М.В., Холодова С.Н., Мокина Т.А., Заирова Д.Х., Ермаков А.С. Статистическая оценка биогенного риска для человеческой популяции со стороны новых вирусных инфекций на примере COVID-19. Безопасность техногенных и природных систем. 2023;1:4–15: https://doi.org/10.23947/2541-9129-2023-1-4-15

3. Siettos CI, Russo L. Mathematical Modeling of Infectious Disease Dynamics. Virulence. 2013;4(4):295–306. https://doi.org/10.4161%2Fviru.24041

4. Steinberg DM, Balicer RD, Benjamini Y, De-Leon H, Gazit D, Rossman H, et al. The Role of Models in the Covid-19 Pandemic. Israel Journal of Health Policy Research. 2022;11:36. https://doi.org/10.1186/s13584-022-00546-5

5. Виноградов А.Ю. Численные методы решения жестких и нежестких краевых задач. Москва: National Research; 2017. 112 с. URL: https://eqworld.ipmnet.ru/ru/library/books/Vinogradov2017ru.pdf (дата обращения: 10.03.2024).

6. Šušteršic T, Blagojevic A, Cvetkovic D, Cvetkovic A, Lorencin I, Šegota B, et al. Epidemiological Predictive Modeling of COVID-19 Infection: Development, Testing, and Implementation on the Population of the Benelux Union. Frontiers in Public Health. 2021;9:727274. https://doi.org/10.3389/fpubh.2021.727274

7. Roosa K, Yiseul Lee, Riuyan Luo, Kirpich A, Rothenberg R, Hyman JM, et al. Short-term Forecasts of the COVID-19 Epidemic in Guangdong and Zhejiang, China: February 13–23, 2020. Journal of Clinical Medicine. 2020;9(2):596. https://doi.org/10.3390/jcm9020596

8. Макаровских Т.А., Аботалеб М.С.А. Автоматический подбор параметров модели ARIMA для прогноза количества случаев заражения и смерти от Covid-19. Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2021;10(2):20–37. https://doi.org/10.14529/cmse210202

9. Ioannidis JPA, Cripps S, Tanner MA. Forecasting for COVID-19 Has Failed, International Journal of Forecasting. 2022;38(2):423–438. https://doi.org/10.1016/j.ijforecast.2020.08.004

10. Sonal Jain, Ho-Hon Leung, Firuz Kamalov. A Computational Numerical Performance for Solving the Mathematical Epidemiological Model Based on Influenza Disease, Scientific African. 2022;17:e01383. https://doi.org/10.1016/j.sciaf.2022.e01383

11. Bucyibaruta G, Dean CB, Mahmoud Torabi. A Discrete-Time Susceptible-Infectious-Recovered-Susceptible Model for the Analysis of Influenza Data. Infectious Disease Modelling. 2023;8(2):471–483. https://doi.org/10.1016/j.idm.2023.04.008

12. Xinzhu Guan, Fan Yang, Yongli Cai, Weiming Wang. Global Stability of an Influenza A Model with Vaccination. Applied Mathematics Letters. 2022;134:108322. https://doi.org/10.1016/j.aml.2022.108322

13. Fong Min W, Gao Huizhi, Wong Jessica Y, Xiao Jingyi, Shiu Eunice YC, Ryu Sukhyun, et al. Nonpharmaceutical Measures for Pandemic Influenza in Non healthcare Settings-Social Distancing Measures. Emerging Infectious Diseases. 2020;26(5):976–984. https://doi.org/10.3201/eid2605.190995

14. Lazarus JV, Wyka K, White TM, Picchio CA, Gostin LO, Larson HJ, et al. A Survey of COVID-19 Vaccine Acceptance across 23 Countries in 2022. Nature Medicine 2023;29:366–375. https://doi.org/10.1038/s41591-022-02185-4

15. Lin J, Li C, He W, Trends in Influenza Vaccine Uptake before and during the COVID-19 Pandemic in the USA. Public Health. 2023;225:291–298. https://doi.org/10.1016/j.puhe.2023.10.028