Применение универсальной математической модели эпидемического процесса «SRID» для прогноза развития эпидемии COVID-19 в городе Москва

Юрий Сергеевич Букин,Юрий Павлович Джиоев,Артем Николаевич Бондарюк,Сергей Евгеньевич Ткачев,Владимир Игоревич Злобин

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Применение универсальной математической модели эпидемического процесса «SRID» для прогноза развития эпидемии COVID-19 в городе Москва

Ю. С. Букин,

Ю. П. Джиоев,

А. Н. Бондарюк,

С. Е. Ткачев,

В. И. Злобин

2020-05-15

https://doi.org/10.24108/preprints-3112045

В работе представлена универсальная математическая модель эпидемического процесса «SRID», позволяющая с помощью бутстрэп анализа оценить доверительные интервалы для важнейших параметров эпидемического процесса с учетом погрешностей в исходных статистических данных. На основе модели получены варианты прогнозов возможного развития эпидемии COVID-19 в г. Москва по исходным данным за период с 25.03.2020 г. по 21.04.2020 г. при «естественном» течении эпидемического процесса и при принятии эффективных противоэпидемических мер. Значение параметра R_0 (базовое репродуктивное число) в варианте без учета проведения профилактических мер составило от 3,22 до 6,89, что существенно выше этого показателя для других сезонных эпидемий – гриппа и ОРВИ. При таком R_0 пик эпидемии придется на период с 10.05.2020 г. до 05.06.2020 г., а смертность от эпидемии может составить от 24620 до 57032 человек. Для сокращения продолжительности и уменьшения последствий эпидемии необходим комплекс мер, направленных на снижение значения R_0, к которым следует отнести эффективные изоляционные, карантинные и дезинфекционные мероприятия. В случае их успешной реализации пик эпидемии придется на срок от 10.05.2020 г. до 05.06.2020 г., а смертность по итогам эпидемии может составить от 407 до 2573 человек. Оценка факторов возможного развития эпидемии имеет большое значение для принятия управляющих решений медицинского и экономического характера в масштабах всей РФ. Скрипт и для языка программирования R, реализующие модель «SRID» и первичные данные по г. Москва доступны по ссылке: https://github.com/barnsys/r_srid_model.

Ссылка для цитирования:

Букин Ю. С., Джиоев Ю. П., Бондарюк А. Н., Ткачев С. Е., Злобин В. И. 2020. Применение универсальной математической модели эпидемического процесса «SRID» для прогноза развития эпидемии COVID-19 в городе Москва. PREPRINTS.RU. https://doi.org/10.24108/preprints-3112045

Список литературы

1. Andersen, K. G., Rambaut, A., Lipkin, W. I., Holmes, E. C., & Garry, R. F. (2020). The proximal origin of SARS-CoV-2. Nature medicine, 26(4), 450-452.

2. Velavan, T. P., & Meyer, C. G. (2020). The COVID‐19 epidemic. Tropical medicine & international health, 25(3), 278.

3. He, R., Dobie, F., Ballantine, M., Leeson, A., Li, Y., Bastien, N., ... & Plummer, F. A. (2004). Analysis of multimerization of the SARS coronavirus nucleocapsid protein. Biochemical and biophysical research communications, 316(2), 476-483.

4. van Boheemen, S., de Graaf, M., Lauber, C., Bestebroer, T. M., Raj, V. S., Zaki, A. M., ... & Fouchier, R. A. (2012). Genomic characterization of a newly discovered coronavirus associated with acute respiratory distress syndrome in humans. MBio, 3(6), e00473-12.

5. Kermack, W. O., & McKendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the royal society of london. Series A, Containing papers of a mathematical and physical character, 115(772), 700-721.

6. Bailey, N. T. (1975). The mathematical theory of infectious diseases and its applications. Charles Griffin & Company Ltd, 5a Crendon Street, High Wycombe, Bucks HP13 6LE.

7. Anderson, R. M., Anderson, B., & May, R. M. (1992). Infectious diseases of humans: dynamics and control. Oxford university press.

8. Hethcote, H. W. (2000). The mathematics of infectious diseases. SIAM review, 42(4), 599-653.

9. Naresh, R., Tripathi, A., & Sharma, D. (2011). A nonlinear AIDS epidemic model with screening and time delay. Applied Mathematics and Computation, 217(9), 4416-4426.

10. Cai, L., Li, X., Ghosh, M., & Guo, B. (2009). Stability analysis of an HIV/AIDS epidemic model with treatment. Journal of computational and applied mathematics, 229(1), 313-323.

11. Liya, L. I. U., Jiang, D., Hayat, T., & Ahmad, B. (2018). Dynamics of a hepatitis B model with saturated incidence. Acta Mathematica Scientia, 38(6), 1731-1750.

12. Miller-Dickson, M. D., Meszaros, V. A., Almagro-Moreno, S., & Brandon Ogbunugafor, C. (2019). Hepatitis C virus modelled as an indirectly transmitted infection highlights the centrality of injection drug equipment in disease dynamics. Journal of the Royal Society Interface, 16(158), 20190334.

13. Reis, J., & Shaman, J. (2018). Simulation of four respiratory viruses and inference of epidemiological parameters. Infectious Disease Modelling, 3, 23-34.

14. Leecaster, M., Gesteland, P., Greene, T., Walton, N., Gundlapalli, A., Rolfs, R., ... & Samore, M. (2011). Modeling the variations in pediatric respiratory syncytial virus seasonal epidemics. BMC infectious diseases, 11(1), 105.

15. Osthus, D., Hickmann, K. S., Caragea, P. C., Higdon, D., & Del Valle, S. Y. (2017). Forecasting seasonal influenza with a state-space SIR model. The annals of applied statistics, 11(1), 202.

16. Gagnon, A., Miller, M. S., Hallman, S. A., Bourbeau, R., Herring, D. A., Earn, D. J., & Madrenas, J. (2013). Age-specific mortality during the 1918 influenza pandemic: unravelling the mystery of high young adult mortality. PLoS One, 8(8).

17. Baize, S., Pannetier, D., Oestereich, L., Rieger, T., Koivogui, L., Magassouba, N. F., ... & Tiffany, A. (2014). Emergence of Zaire Ebola virus disease in Guinea. New England Journal of Medicine, 371(15), 1418-1425.

18. Garske, T., Legrand, J., Donnelly, C. A., Ward, H., Cauchemez, S., Fraser, C., ... & Ghani, A. C. (2009). Assessing the severity of the novel influenza A/H1N1 pandemic. Bmj, 339, b2840.

19. Coburn, B. J., Wagner, B. G., & Blower, S. (2009). Modeling influenza epidemics and pandemics: insights into the future of swine flu (H1N1). BMC medicine, 7(1), 30.

20. Choi, B. C. K., & Pak, A. W. P. (2003). A simple approximate mathematical model to predict the number of severe acute respiratory syndrome cases and deaths. Journal of Epidemiology & Community Health, 57(10), 831-835.

21. Ng, T. W., Turinici, G., & Danchin, A. (2003). A double epidemic model for the SARS propagation. BMC Infectious Diseases, 3(1), 19.

22. Wu, P., Hao, X., Lau, E. H., Wong, J. Y., Leung, K. S., Wu, J. T., ... & Leung, G. M. (2020). Real-time tentative assessment of the epidemiological characteristics of novel coronavirus infections in Wuhan, China, as at 22 January 2020. Eurosurveillance, 25(3), 2000044.

23. Kucharski, A. J., Russell, T. W., Diamond, C., Liu, Y., Edmunds, J., Funk, S., ... & Davies, N. (2020). Early dynamics of transmission and control of COVID-19: a mathematical modelling study. The lancet infectious diseases.

24. Puci, M. V., Loi, F., Ferraro, O. E., Cappai, S., Rolesu, S., & Montomoli, C. (2020). COVID-19 Trend Estimation in the Elderly Italian Region of Sardinia. Frontiers in Public Health, 8, 153.

25. Zhao, S., & Chen, H. (2020). Modeling the epidemic dynamics and control of COVID-19 outbreak in China. Quantitative Biology, 1-9.

26. Anastassopoulou, C., Russo, L., Tsakris, A., & Siettos, C. (2020). Data-based analysis, modelling and forecasting of the COVID-19 outbreak. PloS one, 15(3), e0230405.

27. Khrapov, P., & Loginova, A. (2020). Mathematical modelling of the dynamics of the Coronavirus COVID-19 epidemic development in China. International Journal of Open Information Technologies, 8(4), 13-16.

28. Rong, X., Yang, L., Chu, H., & Fan, M. (2020). Effect of delay in diagnosis on transmission of COVID-19. Mathematical Biosciences and Engineering, 17(3), 2725-2740.

29. DiCiccio, T. J., & Efron, B. (1996). Bootstrap confidence intervals. Statistical science, 189-212.

30. Li, Q., Guan, X., Wu, P., Wang, X., Zhou, L., Tong, Y., ... & Xing, X. (2020). Early transmission dynamics in Wuhan, China, of novel coronavirus–infected pneumonia. New England Journal of Medicine.

31. Wu, J. T., Leung, K., Bushman, M., Kishore, N., Niehus, R., de Salazar, P. M., ... & Leung, G. M. (2020). Estimating clinical severity of COVID-19 from the transmission dynamics in Wuhan, China. Nature Medicine, 1-5.

32. Sanche, S., Lin, Y. T., Xu, C., Romero-Severson, E., Hengartner, N., & Ke, R. (2020). High Contagiousness and Rapid Spread of Severe Acute Respiratory Syndrome Coronavirus 2. Emerging infectious diseases, 26(7).

33. Fraser, C., Donnelly, C. A., Cauchemez, S., Hanage, W. P., Van Kerkhove, M. D., Hollingsworth, T. D., ... & Jombart, T. (2009). Pandemic potential of a strain of influenza A (H1N1): early findings. science, 324(5934), 1557-1561.

34. Jüni, P., Rothenbühler, M., Bobos, P., Thorpe, K. E., da Costa, B. R., Fisman, D. N., ... & Gesink, D. (2020). Impact of climate and public health interventions on the COVID-19 pandemic: A prospective cohort study. CMAJ.

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов