Гибридная SIRS-модель распространения инфекций

Обложка

Цитировать

Полный текст

Аннотация

Цель - построение модели распространения инфекции в виде системы дифференциальных уравнений, учитывающей инерционный характер передачи инфекции между особями. Методы. В работе проводится теоретическое и численное исследование устройства фазового пространства системы обыкновенных дифференциальных уравнений модели среднего поля. Результаты. Построена модифицированная SIRS-модель распространения эпидемий в виде системы обыкновенных дифференциальных уравнений третьего порядка. От стандартных моделей она отличается учетом инерционного характера процесса передачи инфекции между особями популяции, что реализуется посредством введения в модель "агента-переносчика&". В модели не учитывается влияние заболевания на численность популяции, при этом плотность населения рассматривается как параметр, влияющий на ход эпидемии. Динамика модели демонстрирует хорошее качественное соответствие с рядом наблюдаемых при развитии заболеваний явлений. Обсуждение. Предложенное усложнение стандартной SIRS-модели посредством добавления в него уравнения для динамики возбудителя инфекции предоставляет перспективы для ее уточнения посредством более точной настройки на конкретные заболевания, а также для учета неоднородности в распределении особей и возбудителя в пространстве. Модификация модели может идти по пути усложнения вида функций, регулирующих вероятность заражения, генерации и инактивации возбудителя, влияния климатических факторов и т. п., а также по пути перехода к пространственно распределенным системам, например решеткам вероятностных клеточных автоматов.

Об авторах

Алексей Владимирович Шабунин

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского

410012, Россия, Саратов, ул. Астраханская, 83

Список литературы

  1. Бейли Н. Математика в биологии и медицине. М.: Мир, 1970. 326 с.
  2. Марчук Г. И. Математические модели в иммунологии. Вычислительные методы и эксперименты. М.: Наука, 1991. 304 c.
  3. Hethcote H. W. The mathematics of infectious diseases // SIAM Review. 2000. Vol. 42, no. 4. P. 599-653. doi: 10.1137/S0036144500371907.
  4. Андерсон Р., Мэй Р. Инфекционные болезни человека. Динамика и контроль. М.: Мир, 2004. 784 c.
  5. Базыкин А. Д. Нелинейная динамика взаимодействующих популяций. Москва - Ижевск: Институт компьютерных исследований, 2003. 368 c.
  6. Serfling R. E. Methods for current statistical analysis of excess pneumonia-influenza deaths // Public Health Reports. 1963. Vol. 78, no. 6. P. 494-506. doi: 10.2307/4591848.
  7. Burkom H. S., Murphy S. P., Shmueli G. Automated time series forecasting for biosurveillance // Statistics in Medicine. 2007. Vol. 26, no. 22. P. 4202-4218. doi: 10.1002/sim.2835.
  8. Pelat C., Boelle P.-Y., Cowling B. J., Carrat F., Flahault A., Ansart S., Valleron A.-J. Online detection and quantification of epidemics // BMC Medical Informatics and Decision Making. 2007. Vol. 7. P. 29. doi: 10.1186/1472-6947-7-29.
  9. Boccara N., Cheong K. Automata network SIR models for the spread of infectious diseases in populations of moving individuals // Journal of Physics A: Mathematical and General. 1992. Vol. 25, no. 9. P. 2447-2461. doi: 10.1088/0305-4470/25/9/018.
  10. Sirakoulis G. C., Karafyllidis I., Thanailakis A. A cellular automaton model for the effects of population movement and vaccination on epidemic propagation // Ecological Modelling. 2000. Vol. 133, no. 3. P. 209-223. doi: 10.1016/S0304-3800(00)00294-5.
  11. Шабунин А. В. SIRS-модель распространения инфекций с динамическим регулированием численности популяции: Исследование методом вероятностных клеточных автоматов // Известия вузов. ПНД. 2019. T. 27, № 2. C. 5-20. doi: 10.18500/0869-6632-2019-27-2-5-20.
  12. Шабунин А. В. Синхронизация процессов распространения инфекций во взаимодействующих популяциях: Моделирование решетками клеточных автоматов // Известия вузов. ПНД. 2020. T. 28, № 4. С. 383-396. doi: 10.18500/0869-6632-2020-28-4-383-396.
  13. Фирсов О. В. Гибридное прогнозирование заболеваемости раком почки и смертности от него на основе нейросетевых и статистических технологий // Врач-аспирант. 2006. Т. 10, № 1. C. 15-32.
  14. Ефимова Н. В., Горнов А.Ю., Зароднюк Т. C. Опыт использования искусственных нейронных сетей при прогнозировании заболеваемости населения (на примере г. Братска) // Экология человека. 2010. № 3. C. 3-7.
  15. Белецкая C.Ю., Коровин В. Н., Родионов О. В. Разработка прогностических моделей развития заболеваемости детей в городском административном районе на основе нейросетевых технологий // Вестник Воронежского государственного технического университета. 2010. Т. 6, № 12. C. 201-205.
  16. Kermack W. O., McKendrick A. G. A contribution to the mathematical theory of epidemics // Proc. R. Soc. Lond. A. 1927. Vol. 115, no. 772. P. 700-721. doi: 10.1098/rspa.1927.0118.
  17. Hamer W. H. The Milroy lectures on epidemic disease in England: The evidence of variability and persistence of type // The Lancet. 1906. Vol. 1. P. 733-739.
  18. Hutchinson G. E. Circular casual systems in ecology // Annals of the New York Academy of Sciences. 1948. Vol. 50, no. 4. P. 221-246. doi: 10.1111/j.1749-6632.1948.tb39854.x.
  19. Gopalsamy K. Stability and Oscillations in Delay Differential Equations of Population Dynamics. Netherlands: Springer, 1992. 502 p. doi: 10.1007/978-94-015-7920-9.
  20. Пеpеваpюxа А.Ю. Непрерывная модель трех сценариев инфекционного процесса при факторах запаздывания иммунного ответа // Биофизика. 2021. Т. 66, № 2. С. 384-407. doi: 10.31857/S0006302921020204.
  21. Anderson R. M., May R. M. Spatial, temporal, and genetic heterogeneity in host populations and the design of immunization programmes // Mathematical Medicine and Biology: A Journal of the IMA. 1984. Vol. 1, no. 3. P. 233-266. doi: 10.1093/imammb/1.3.233.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах