SIR+A mathematical model for evaluating and predicting 2016–2017 ARVI-influenza incidence by using on the Moscow territory

封面

如何引用文章

全文:

详细

Influenza is a major challenge to global healthcare due to its high transmissivity and ability to cause major epidemics. Influenza epidemics and pandemics are associated with changes in the society structure that contribute to the spread of new viral strains in certain environmental and social settings. Currently, influenza is one of the most common global diseases that results in annual epidemics or even pandemics, often leading to lethal outcome. Influenza viruses are uniquely prone to variability via point mutations, recombination and gene reassortment accompanied with changes in their biological properties considered as the main cause of uncontrolled infection spread. Hence, examining cohorts of predisposed individuals by using probability models provides not only additional information about viral outbreaks, but also allows monitoring dynamics of viral epidemics in controlled areas. Understanding influenza epidemiology is crucial for restructuring healthcare resources. Public healthcare service mainly relies on influenza vaccination. However, there are vulnerable cohorts such as elderly and immunocompromised individuals, which usually contain no protective antiinfluenza virus antibody level. Despite advances in the developing vaccines and chemotherapy, large-scale influenza epidemics still continue to emerge. Upon that, no reliable methods for disease prognosis based on rate of ongoing epidemic situation are currently available. Monitoring and predicting emerging epidemics is complicated due to discrepancy between dynamics of influenza epidemics that might be evaluated by using surveillance data as well as platform for tracking influenza incidence rate. However, it may be profoundly exacerbated by mutations found in the influenza virus genome by altering genuine morbidity dynamics. Use of probabilistic models for assessing parameters of stochastic epidemics would contribute to more accurately predicted changes in morbidity rate. Here, an SIR+A probabilistic model considering a relationship between infected, susceptible and protected individuals as well as the aggressiveness of external risks for predicting changes in influenza morbidity rate that allowed to evaluate and predict the 2016 ARVI influenza incidence rate in Moscow area. Moreover, introducing an intensity of infection parameter allows to conduct a reliable analysis of incidence rate and predict its changes.

作者简介

N. Kontarov

I.M. Sechenov First Moscow State Medical University;
I.I. Mechnikov Research Institute of Vaccines and Sera

编辑信件的主要联系方式.
Email: kontarov@mail.ru

PhD (Biology), Аssociate Professor, Department of Medical and Biological Physics;

Senior Researcher, Laboratory of Childhood Viral Infections, 

105064, Moscow, Small Kazenny Lane, 5a

俄罗斯联邦

G. Arkharova

I.M. Sechenov First Moscow State Medical University

Email: fake@neicon.ru

PhD (Biology), Аssociate Professor, Department of Medical and Biological Physics,

Moscow

俄罗斯联邦

Yu. Grishunina

A.N. Tikhonov Moscow Institute of Electronics and Mathematics, National Research University “Higher School of Economics”

Email: fake@neicon.ru

Senior Lecturer, Department of Applied Mathematics,

Moscow

俄罗斯联邦

S. Grishunina

A.N. Tikhonov Moscow Institute of Electronics and Mathematics, National Research University “Higher School of Economics”;
Lomonosov Moscow State University

Email: fake@neicon.ru

Assistant Professor, Department of Applied Mathematics;

PhD Student, Department of Probability Theory, Faculty of Mechanics and Mathematics,

Moscow

俄罗斯联邦

N. Yuminova

I.I. Mechnikov Research Institute of Vaccines and Sera

Email: fake@neicon.ru

PhD, MD (Biology), Professor, Deputy Director for Science, Head of the Laboratory of Childhood Viral Infections,

Moscow

俄罗斯联邦

参考

  1. Бароян О.В., Рвачев Л.А., Иванников Ю.Г. Моделирование и прогнозирование эпидемий гриппа для территории СССР. М.: Медицина, 1977. 546 с.
  2. Бейли Н. Математика в биологии и медицине. Москва: Мир, 1970. 326 с.
  3. Economou A., Lopez-Herrero M.J. The deterministic SIS epidemic model in a Markovian random environment. J. Math. Biol., 2016, vol. 73, no. 1, pp. 91–121. doi: 10.1007/s00285-015-0943-7
  4. Pellis L, House T, Keeling M.J. Exact and approximate moment closures for non-Markovian network epidemics. J. Theor. Biol., 2015, vol. 382, pp. 160–177. doi: 10.1016/j.jtbi.2015.04.039
  5. Rebuli N.P., Bean N.G., Ross J.V. Hybrid Markov chain models of S-I-R disease dynamics. J. Math. Biol., 2017, vol. 75, no. 3, pp. 521–541. doi: 10.1007/s00285-016-1085-2

补充文件

附件文件
动作
1. JATS XML

版权所有 © Kontarov N.A., Arkharova G.V., Grishunina Y.B., Grishunina S.A., Yuminova N.V., 2019

Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».