Прогнозирование динамики заболеваемости норовирусной инфекцией с применением моделей временных рядов
https://doi.org/10.52420/2071-5943-2023-22-3-57-63
Аннотация
Введение. Норовирусная инфекция (НВИ) является широко распространенным диарейным заболеванием, отличающимся высокой контагиозностью и вызывающим вспышки в организованных коллективах и медицинских организациях. Прогнозирование заболеваемости НВИ может способствовать своевременному и рациональному внедрению профилактических мер.
Цель исследования – оценить возможность создания модели временных рядов для прогнозирования заболеваемости НВИ на примере Свердловской области.
Материалы и методы. Для прогнозирования заболеваемости НВИ были выбраны модели временных рядов (ARIMA), основанные на экстраполяции наблюдаемых тенденций и не требующие для прогнозирования детальных эпидемиологических данных. Для построения моделей были использованы данные помесячных форм статистического наблюдения № 2 за 2015−2019 г., представленные Центром гигиены и эпидемиологии в Свердловской области. Все модели обучали на данных 2015−2018 гг. и тестировали на данных 2019 г. Оптимальная модель выбиралась по значениям критерия Акаике и средней ошибки, выраженной в процентах.
Результаты и обсуждение. Динамика заболеваемости НВИ в Свердловской области характеризовалась ростом в 2015−2018 гг., при этом временной ряд являлся стационарным и характеризовался выраженной зимне-весенней сезонностью. Было получено 9 относительно состоятельных моделей, из которых оптимальный результат показала модель вида SARIMA (1,0,0)(0,0,1). Несмотря на точность прогноза на 2019 г., прогноз заболеваемости НВИ на период пандемии COVID-19 оказался несостоятельным. Предполагается, что включение в модель дополнительных предикторов (климатические параметры и данные об уровне коллективного иммунитета к НВИ), а также повышение робастности (выбросоустойчивости) модели может повысить точность прогнозирования.
Заключение. Модели ARIMA, особенно учитывающие сезонность заболеваемости, в целом пригодны для прогнозирования динамики эпидемического процесса НВИ в Свердловской области. Ожидается, что включение в модель дополнительных параметров, описывающих климат и уровень коллективного иммунитета, может повысить точность прогнозирования. Отдельным направлением в моделировании НВИ может быть поиск робастных (выбросоустойчивых) алгоритмов.
Ключевые слова
Об авторах
А. А. Косова
Уральский государственный медицинский университет
Россия
Россия
Анна Александровна Косова – кандидат медицинских наук, доцент
Екатеринбург
В. И. Чалапа
Уральский государственный медицинский университет; Государственный научный центр вирусологии и биотехнологии «Вектор»
Россия
Россия
Владислав Игоревич Чалапа – аспирант
Екатеринбург
Список литературы
1. Farahmand M, Moghoofei M, Dorost A et al. Global prevalence and genotype distribution of norovirus infection in children with gastroenteritis: A meta-analysis on 6 years of research from 2015 to 2020. Rev Med Virol. 2021;32(1):e2237. http://doi.org/10.1002/rmv.2237.
2. Pires SM, Fischer-Walker CL, Lanata CF et al. Aetiology-specific estimates of the global and regional incidence and mortality of diarrhoeal diseases commonly transmitted through food. PLoS ONE. 2015;10(12):e0142927. http://doi.org/10.1371/journal.pone.0142927.
3. Teunis PFM, Moe CL, Liu P et al. Norwalk virus: How infectious is it? J Med Virol. 2008;80(8):1468–1476. http://doi.org/10.1002/jmv.21237.
4. Teunis PFM, Sukhire FHA, Vennema H et al. Shedding of norovirus in symptomatic and asymptomatic infections. Epidemiol Infect. 2015;143(8):1710–1717. http://doi.org/10.1017/S095026881400274X.
5. Gustavsson L, Norden R, Westin J et al. Slow clearance of norovirus following infection with emerging variants of genotype GII.4 strains. J Clin Microbiol. 2017;55(5):1533–1539. http://doi.org/10.1128/JCM.00061-17.
6. Qi R, Huang YT, Liu JW et al. Global prevalence of asymptomatic norovirus infection: a meta-analysis. EClinicalMedicine. 2018;2–3:50–58. http://doi.org/10.1016/j.eclinm.2018.09.001.
7. Barclay L, Park GW, Vega E et al. Infection control for norovirus. Clin Microbiol Infect. 2014;20(8):731−740. http://doi.org/10.1111/1469-0691.12674.
8. Косова А.А., Чалапа В.И., Итани Т.М., Семенов А.В. Эпидемиологическая характеристика норовирусной инфекции. Уральский медицинский журнал. 2022;21(3):114–128. http://doi.org/10.52420/2071-5943-2022-21-3-114-128.
9. Ettayebi K, Tenge VR, Cortes-Penfield NW et al. New insights and enhanced human norovirus cultivation in human intestinal enteroids. mSpher.e 2021;6(1):e01136-20. http://doi.org/0.1128/mSphere.01136-20.
10. O’Brien SJ, Sanderson RA, Rushton SP. Control of norovirus infection. Curr Opin Gastroenterol. 2019;35(1):14–19. http://doi.org/10.1097/MOG.0000000000000491.
11. Hebbelstrup B, Jokelainen P, Yde Nielsen AC et al. Children attending day care centers are a year-round reservoir of gastrointestinal viruses. Sci Rep. 2019;9(1):3286. http://doi.org/10.1038/s41598-019-40077-9.
12. Siettos CI, Russo L. Mathematical modeling of infectious disease dynamics. Virulence. 2013;4(4):295–306. http://doi.org/10.4161/viru.24041.
13. Ghafouri-Fard S, Mohhamed-Rahimi H, Motie P et al. Application of machine learning in the prediction of COVID-19 daily new cases: A scoping review. Heliyon. 2021;7(10):e08143. http://doi.org/10.1016/j.heliyon.2021.e08143.
14. Kandula S, Shaman J. Near-term forecasts of influenza-like illness: An evaluation of autoregressive time series approaches. Epidemics. 2019;27:41–51. http://doi.org/10.1016/j.epidem.2019.01.002.
15. Бухарбаева, Л. Я., Егорова Ю. В. Прогнозирование региональной заболеваемости гриппом и ОРВИ на основе авторегрессионных моделей. Управление экономикой: методы, модели, технологии: Материалы XVIII Международной научной конференции, Уфа − Красноусольск, 18–20 октября 2018 года. Уфа : Уфимский государственный авиационный технический университет ; 2018. С. 301−305.
16. Liu L, Luan RS, Zhu XP et al. Predicting the incidence of hand, foot and mouth disease in Sichuan province, China using the ARIMA model. Epidemiol Infect. 2016;144(1):144–151. http://doi.org/10.1017/S0950268815001144.
17. Zhao D, Zhang H, Cao Q et al. The research of ARIMA, GM(1,1), and LSTM models for prediction of TB cases in China. PLoS One. 2022;17(2):e0262734. http://doi.org/10.1371/journal.pone.0262734.
18. Махкамова З.Р., Овсянникова Н.М., Голубова Т.Н. с соавт. Прогноз первичной заболеваемости туберкулезом легких (числа случаев) в Республике Крым. Научные ведомости Белгородского государственного университета. Серия: Медицина. Фармация. 2017;19(268):127–138.
19. Xu B, Li J, Wang M. Epidemiological and time series analysis on the incidence and death of AIDS and HIV in China. BMC Public Health. 2020;20(1):1906. http://doi.org/10.1186/s12889-020-09977-8.
20. Alim M, Ye G-H, Guang P et al. Comparison of ARIMA model and XGBoost model for prediction of human brucellosis in mainland China: a time-series study. BMJ Open. 2020;10(12):e039676. http://doi.org/10.1136/bmjopen-2020-039676.
21. López-Montenegro LE, Pulecio-Montoya AM, Marcillo-Hernández GA. Dengue cases in Colombia: mathematical forecasts for 2018-2022. MEDICC Rev. 2019;21(2):38–45. http://doi.org/10.37757/MR2019.V21.N2-3.8.
22. Ferrão JL, Earland D, Novela A et al. Malaria temporal variation and modelling using time-series in Sussundenga district, Mozambique. Int J Environ Res Public Health. 2021;18(11):5692. http://doi.org/10.3390/ijerph18115692.
23. Rahmanian V, Bokaie S, Haghdoost A, Barooni M. Temporal analysis of visceral leishmaniasis between 2000 and 2019 in Ardabil Province, Iran: A time-series study using ARIMA model. J Family Med Prim Care. 2020;9(12):6061–6067. http://doi.org/10.4103/jfmpc.jfmpc_1542_20.
24. Zhang H, Wen Sh, Zheng J et al. Meteorological factors affecting respiratory syncytial virus infection: A time-series analysis. Pediatr Pulmonol. 2020;55(3):713–718. http://doi.org/10.1002/ppul.24629.
25. Raycheva R, Stoilova Y, Kevorkyan A, Rangelova V. Epidemiological Prognosis of Pertussis Incidence in Bulgaria. Folia Med (Plovdiv). 2020;62(3):509–514. http://doi.org/10.3897/folmed.62.e49812.
26. Medina DC, Findley SE, Guindo B, Doumbia S. Forecasting non-stationary diarrhea, acute respiratory infection, and malaria time-series in Niono, Mali. PLoS One. 2007;2(11):e1181. http://doi.org/10.1371/journal.pone.0001181.
27. Kam HJ, Choi S, Cho JP et al. Acute diarrheal syndromic surveillance. Appl Clin Inform. 2010;1(2):79−95. http://doi.org/10.4338/ACI-2009-12-RA-0024.
28. Daisy SS, Islam AKM, Akanda AS et al. Developing a forecasting model for cholera incidence in Dhaka megacity through time series climate data. J Water Health. 2020;18(2):207−223. http://doi.org/10.2166/wh.2020.133.
29. Fang X, Liu W, Ai J et al. Forecasting incidence of infectious diarrhea using random forest in Jiangsu Province, China. BMC Infect Dis. 2020;20(1):1−8. http://doi.org/10.1186/s12879-020-4930-2.
30. Avoka JA, Dun-Dery EJ, Seidu I et al. Time series analysis of the relationship between diarrhea in children and Rota 2 vaccine in the Fanteakwa District of the eastern region of Ghana. BMC Pediatr. 2021;21(1):1−9. http://doi.org/10.1186/s12887-021-02540-3.
31. Muhsen K, Kassem E, Rubenstein U et al. No evidence of an increase in the incidence of norovirus gastroenteritis hospitalizations in young children after the introduction of universal rotavirus immunization in Israel. Hum Vaccin Immunother. 2019;15(6):1284−1293. http://doi.org/10.1080/21645515.2019.1599522.
32. Misumi M, Nishiura H. Long-term dynamics of Norovirus transmission in Japan, 2005−2019. PeerJ. 2021;9:e11769. http://doi.org/10.7717/peerj.11769.
33. Cong J, Ren M, Xie Sh, Wang P. Predicting seasonal influenza based on SARIMA model, in Mainland China from 2005 to 2018. Int J Environ Res Public Health. 2019;16(23):4760. http://doi.org/10.3390/ijerph16234760.
34. Sung J, Cheong H-K, Kwon H-J, Kim J-H. Pathogen-specific response of infectious gastroenteritis to ambient temperature: National surveillance data in the Republic of Korea, 2015-2019. Int J Hyg Environ Health. 2022;240:113924. http://doi.org/10.1016/j.ijheh.2022.
35. Havumaki J, Eisenberg JNS, Mattison CP et al. Immunologic and epidemiologic drivers of norovirus transmission in daycare and school outbreaks. Epidemiology. 2021;32(3):351–359. http://doi.org/10.1097/EDE.0000000000001322.
36. Yasmin F, Ali SH, Ullah I. Norovirus outbreak amid COVID-19 in the United Kingdom; priorities for achieving control. J Med Virol. 2022;94(3):1232–1235. http://doi.org/10.1002/jmv.27426.
37. Ondrikova N, Clough HE, Cunliffe NA et al. Understanding norovirus reporting patterns in England: a mixed model approach. BMC Public Health. 2021;21(1):1245. http://doi.org/10.1186/s12889-021-11317-3.
Рецензия
Для цитирования:
Косова АА, Чалапа ВИ. Прогнозирование динамики заболеваемости норовирусной инфекцией с применением моделей временных рядов. Уральский медицинский журнал. 2023;22(3):57-63. https://doi.org/10.52420/2071-5943-2023-22-3-57-63
For citation:
Kosova AA, Chalapa VI. Predicting the dynamics of norovirus infection using time series models. Ural Medical Journal. 2023;22(3):57-63. (In Russ.) https://doi.org/10.52420/2071-5943-2023-22-3-57-63
Просмотров:
225
Послать статью по эл. почте 