Разработка методов прогнозирования динамики заболеваемости на примере COVID-19

Пандемия COVID-19 привела к глобальным последствиям и стала причиной серьезных ограничительных мер во всех сферах деятельности, изменивших условия работы и жизни населения мира. Даже после окончания пандемии прогнозирование заболеваемости COVID-19 остается важной задачей, так как необходимо следить за развитием ситуации, а результаты исследований по этой теме могут быть перенесены на другие эпидемии. Особое значение имеют научные исследования по анализу факторов, оказывающих существенное влияние на протекание эпидемии. В данном исследовании предлагается комплекс моделей и алгоритмов машинного обучения, базирующихся на обработке больших данных, для прогнозирования динамики распространения вируса COVID-19 на мезоуровне, с помощью которого анализируется влияние различных экзогенных факторов на заболеваемость. В качестве исходных данных для построения моделей машинного обучения используется деперсонифицированный набор данных, предоставленный Воронежским областным клиническим консультативно-диагностическим центром и содержащий информацию по всем проведенным в Воронежской области тестам на COVID-19. Для эффективной борьбы с эпидемиями необходимы прогнозы развития динамики заболеваемости на достаточно длительный период времени (например, от двух недель и более), тогда как в литературе, как правило, предлагаются краткосрочные методы, позволяющие делать достаточно точный прогноз только на 1–5 дней. Поэтому задача данного исследования заключается в поиске оптимального метода прогнозирования заболеваемости на средний период времени с использованием экзогенных факторов. В качестве экзогенных переменных для улучшения качества прогнозирования были выбраны сведения о погоде, дне недели и месяце и популярность поисковых запросов, связанных с COVID-19.

1. Braga M.D.B, Fernandes R.D.S, de Souza G.N., et al. Artificial neural networks for short-term forecasting of cases, deaths, and hospital beds occupancy in the COVID-19 pandemic at the Brazilian Amazon. PLoS One. 2021;16(3):e0248161. DOI: 10.1371/journal.pone.0248161.

2. Naumov A., Moloshnikov I., Serenko A., Sboev A., Rybka R. Baseline accuracies of forecasting COVID-19 cases in Russian regions on a year in retrospect using basic statistical and machine learning methods. Procedia Computer Science. 2021;193:276–284. DOI: 10.1016/j.procs.2021.10.028.

3. Каширина И.Л., Ершов Д.О. Анализ, моделирование и прогнозирование COVID-19 на основе данных Воронежской области. «Актуальные проблемы прикладной математики, информатики и механики»: Сборник трудов Международной конференции; 13–15 декабря 2021 г.; Воронеж. Воронеж: Издательство «Научно-исследовательские публикации»; 2022. С. 174–180.

4. Каширина И.Л., Азарнова Т.В., Бондаренко Ю.В. Анализ влияния пандемии COVID-19 на развитие человеческого капитала региона с помощью алгоритмов машинного обучения. Моделирование, оптимизация и информационные технологии. 2022;10(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1137. DOI: 10.26102/2310-6018/2022.36.1.004 (дата обращения: 02.07.2023).

5. Ayyoubzadeh S.M., Ayyoubzadeh S.M., Zahedi H., Ahmadi M., R 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. DOI: 10.2196/18828.

6. Venkatesh U., Aravind Gandhi P. Prediction of COVID-19 outbreaks using google trends in India: a retrospective analysis. Healthc Inform Res. 2020;26(3):175–184. DOI: 10.4258/hir.2020.26.3.175.

7. Pickering L., Viana J., Li X., Chhabra A., Patel D., Cohen K. Identifying factors in COVID-19 AI case predictions. In: 2020 7th International Conference on Soft Computing & Machine Intelligence (ISCMI); 2020; Stockholm, Sweden. p. 192–196. DOI: 10.1109/ISCMI51676.2020.9311583.

8. Яковенко Н.В., Азарнова Т.В., Каширина И.Л., Бондаренко Ю.В., Щепина И.Н. Инструментальные методы оценки человеческого капитала: Теория и прикладные аспекты. Воронеж: Издательство «Цифровая полиграфия»; 2022. 177 с.

9. 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(2):645–664. DOI: 10.1007/s00500-021-06490-x.

10. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998;86(11):2278–2324. DOI: 10.1109/5.726791.

11. Devaraj J., Madurai Elavarasan R., Pugazhendhi R., Shafiullah G.M., 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;21:103817. DOI: 10.1016/j.rinp.2021.103817.