Анализ влияния пандемии COVID-19 на развитие человеческого капитала региона с помощью алгоритмов машинного обучения

Пандемия коронавирусной инфекции COVID-19 оказала большое влияние на формирование и развитие человеческого капитала за счет своего негативного воздействия на образование и здоровье населения. Это заболевание уже унесло сотни тысяч жизней и вызвало длительные нарушения здоровья людей, а также лишило многих доступа к качественному образованию. В связи с этим в период пандемии COVID-19 большое значение приобретает разработка современных и точных методов анализа, моделирования и прогнозирования динамики распространения этого заболевания, позволяющих выявить факторы, оказывающие существенное влияние на процесс распространения инфекции. В статье обсуждаются этапы построения моделей машинного обучения для проведения предикативного анализа заболеваемости COVID-19, позволяющего исследовать динамику распространения данного вируса на региональном уровне, выявить влияние различных факторов на степень тяжести, длительность протекания болезни и впоследствии разработать своевременные сценарии управления человеческим капиталом региона с целью снижения негативного воздействия пандемии. Для разработки методов использовался большой массив деперсонифицированных данных по распространению COVID-19 в Воронежской области, предоставленных Воронежским областным клиническим консультативно-диагностическим центром (ВОККДЦ). В статье представлены результаты разведочного анализа имеющихся данных, выявлены дополнительные признаки, которые могут быть использованы для построения моделей машинного обучения, разработаны методы интерактивной визуализации и прогнозирования динамики COVID-19.

1. World Bank. Europe and Central Asia Economic Update, Fall 2020: COVID-19 and Human Capital. Washington, DC: World Bank, 2020. https://openknowledge.worldbank.org/handle/10986/34518.

2. Yadaw A.S. Clinical features of COVID-19 mortality: development and validation of a clinical prediction model. Lancet Digit Health. 2020;2:516–525.

3. Anastassopoulou C. Data-based analysis, modelling and forecasting of the COVID-19 outbreak. PLOS ONE. 2020;15:1–21.

4. Chaurasia V. Application of machine learning time series analysis for prediction covid-19 pandemic. Research on Biomedical Engineering. 2020:1–13.

5. Kashirina I., Bondarenko Y., Azarnova T. Analysis and forecasting of the market of educational services of the region. Proceedings – 2021 1st International Conference on Technology Enhanced Learning in Higher Education, TELE 2021. Lipetsk; 2021. P. 30–34.

6. Ayyoubzadeh S., Ayyoubzadeh S., Zahedi H., Ahmadi M., Niakan Kalhori S. Predicting COVID-19 Incidence Through Analysis of Google Trends Data in Iran: Data Mining and Deep Learning Pilot Study. JMIR Public Health Surveill. 2020;6(2):e18828.

7. Prediction of COVID-19 Outbreaks Using Google Trends in India: A Retrospective Analysis Healthc Inform Res. 2020;26(3):175–184.

8. Mavragani A., Gkillas K. COVID-19 predictability in the United States using Google Trends time series. Sci Rep. 2020;10:20693.

9. Фирюлина М.А., Каширина И.Л. Прогнозирование развития инфаркта миокарда на основании сезонных и метеорологических факторов. Вестник Воронежского института высоких технологий. 2021;2(37):19–24.

10. Devaraj J., Elavarasan R.M., Pugazhendhi R., Shafiullah G., Ganesan S., Jeysree A.K., Khan I.A., Hossain E. Forecasting of COVID-19 cases using deep learning models: Is it reliable and practically significant? Results Phys. 2021;21:e103817.

11. Mahanty M., Swathi K., Teja K.S., Kumar P.H., Sravani A. Forecasting the spread of COVID-19 pandemic with Prophet. Revue d'Intelligence Artificielle. 2021;35(2):115–122.

12. Ketu S., Mishra P.K. India perspective: CNN-LSTM hybrid deep learning model-based COVID-19 prediction and current status of medical resource availability. Soft Comput. 2022;26:645–664.

13. Яковенко Н.В., Каширина И.Л., Щепина И.Н. и др. Человеческий капитал как драйвер развития цифровой экономики региона: теоретические и инструментальные основы исследования. Воронеж: Цифровая полиграфия; 2020. 234 с.