По всем вопросам звоните:

+7 495 274-22-22

УДК: 616 DOI:10.33920/med-08-2208-07

Актуальные подходы к прогнозированию и моделированию заболеваемости населения в России (обзор)

Загоруйченко Анна Анатольевна старший научный сотрудник, ФГБНУ «Национальный НИИ общественного здоровья имени Н.А. Семашко», 105064, г. Москва, ул. Воронцово Поле, д. 12, стр. 1, e-mail: zagoranna@mail.ru, https://orcid.org/0000-0002-4040-2800
Карпова Оксана Борисовна канд. физ.-мат. наук, старший научный сотрудник, ФГБНУ «Национальный НИИ общественного здоровья имени Н.А. Семашко», 105064, г. Москва, ул. Воронцово Поле, д. 12, стр. 1, e-mail: obkarpova@mail.ru, https://orcid.org/0000-0002-5173-0818

В современных условиях особую актуальность приобретают новые методы и подходы к прогнозированию и моделированию распространения новых типов заболеваний и их влияния на мировую экономику, состояние здоровья населения, ресурсные и технологические возможности, а также эффективность управленческих мероприятий по ее контролированию со стороны здравоохранения, промышленности и правительств разных стран и регионов мира. Цель исследования — изучение и обобщение имеющегося отечественного опыта прогнозирования и моделирования заболеваемости населения, проведение анализа использования основных методов и подходов к ее прогнозу. В данной статье приведен обзор и анализ отечественных научных публикаций по вопросам прогнозирования заболеваемости населения на популяционном уровне, рассматриваются особенности различных подходов и методов к прогнозированию разных классов, групп и видов заболеваний, в том числе в территориальном разрезе в России. Таким образом, данное исследование позволит определить также недостатки и преимущества применения тех или иных методических подходов, особенно при выявлении новых вирусов и заболеваний инфекционного характера, что очень важно для своевременного планирования и проведения противоэпидемических и профилактических мероприятий.

Литература:

1. Кондратьев М.А. Методы прогнозирования и модели распространения заболеваний. Компьютерные исследования и моделирование. 2014; 5 (5): 863–882.

2. Коробецкая А.А. Прогнозирование заболеваемости населения Российской Федерации на основе моделирования временных рядов. Вестник Самарского муниципального института управления. 2010; 4 (15): 31–37.

3. Десятков Б.М., Бородулин А.И., Котлярова С.С., Лаптева Н. А, et al. Математическое моделирование эпидемических процессов и оценка их статистических характеристик. Химическая и биологическая безопасность. 2009; 1–3 (43–45): 15–19.

4. Лопатин А.А., Сафронов В.А., Раздорский А.С., Куклев Е.В. Современное состояние проблемы математического моделирования и прогнозирования эпидемического процесса. Проблемы особо опасных инфекций. 2010; 105: 28–30.

5. Головинова В.Ю., Минаев Ю.Л., Котенко П.К. и др. Прогнозирование заболеваемости в коллективе с использованием нейросетевой модели // Известия Самарского научного центра Российской академии наук. 2010; 1 (6): 1595–1596.

6. Головинова В.Ю., Киреев С. Г., Котенко П.К. и др. Нейросетевые модели прогнозирования заболеваемости в организованных коллективах. Вестник Российской Военно-медицинской академии. 2014; 3 (47): 150–154.

7. Ефимова Н.В., Горнов А.Ю., Зароднюк Т.С. Опыт использования искусственных нейронных сетей при прогнозировании заболеваемости населения (на примере г. Братска). Экология человека. 2010; 3: 3–7.

8. Хисматуллина З.Р., Мухамадеева О.Р., Габдуллина С.Р., Гареев Е.М. Опыт прогнозирования динамики заболеваемости зооантропонозной трихофитией в Республике Башкортостан. Медицинский вестник Башкортостана. 2013; 8 (3): 10–13.

9. Нуриахметова А.Ж., Файзуллина Р.М. Клинико-анамнестические особенности у детей с рецидивирующими и хроническими заболеваниями органов дыхания, проживающих в промышленном регионе. Медицинский вестник Башкортостана. 2013; 8 (3): 62–67.

10. Торопчин М.И., Поступайло В.Б., Саяпина Л.В., Никитюк Н.Ф. Способ прогнозирования заболеваемости бруцеллезом в Российской Федерации. Современные проблемы науки и образования. 2016; 1: 16.

11. Поступайло В.Б., Саяпина Л.В., Торопчин М.И. и др. Прогнозирование заболеваемости бруцеллезом в Российской Федерации с использованием план-графика Вальда. Проблемы особо опасных инфекций. 2017; 4: 77–80.

12. Белялов Ф.И. Прогнозирование заболеваний с помощью шкал. Комплексные проблемы сердечно-сосудистых заболеваний. 2018; 1 (7): 84–93. https://doi.org/ 10.17802/2306-1278-2018-7-1-84-93

13. Ряженов В.В., Горохова С. Г. Прогнозирование заболеваемости раком молочной железы с выделением популяции пациентов с гиперэкспрессией HER2 в Сибирском федеральном округе. Современная онкология. 2012; 14 (3): 57–59.

14. Жигальский О.А. Анализ методов прогнозирования заболеваемости зоонозными инфекциями. Эпидемиология и вакцинопрофилактика. 2012; 3 (64): 26–31.

15. Агарков Н.М., Гонтарев С.Н., Луценко В. Д и др. Математико-картографическое моделирование и прогнозирование заболеваемости детей кариесом и острым апикальным периодонтитом. Стоматология. 2017; 96 (6): 48–55. https://doi.org/10.17116/stomat201796648–55

16. Макогон С.И. Состояние и прогноз заболеваемости глаукомой взрослого населения Алтайского края. Национальный журнал глаукома. 2014; 13 (4): 66–71.

17. Райкин С.С., Хворостухина А.И., Щербакова И.В. Постановка задачи о математическом моделировании заболеваемости корью в Саратовской области. Бюллетень медицинских интернет-конференций. 2014; 4 (11): 1261–1263.

18. Супотницкий М.В. Распознавание искусственно вызванных вспышек инфекционных заболеваний. Актуальная инфектология. 2014; 2 (3): 116−141.

19. Жолдошев С. Т. Современные возможности информационно-аналитической подсистемы эпидемиологического надзора за распространением сибирской язвы (аналитический обзор). Проблемы особо опасных инфекций. 2009; 1 (99): 17−22. https://doi.org/10.21055/0370-1069-2009-1 (99) — 17–22

20. Голощапов А.Р., Гурин А.В. Уровень и прогнозирование заболеваемости болезням системы кровообращения взрослых в сельских районах Московской области. Бюллетень Национального научно-исследовательского института общественного здоровья имени Н.А. Семашко. 2018; 1: 6−14.

21. Магомаев М.Ф. Прогноз заболеваемости церебральным инсультом в Республике Дагестан. Журнал неврологии и психиатрии им. C.C. Корсакова. 2015; 115 (3-2): 59−63. https://doi.org/10.17116/jnevro20151153259–63

22. Котин В.В. Прогнозирование заболеваемости: динамические модели и временные ряды. Биотехносфера. 2014; 3 (33): 45−47.

23. Прислегина Д.А., Дубянский В.М., Малецкая О.В. и др. Крымская-конго геморрагическая лихорадка в Cтавропольском крае: современные клинико-эпидемиологические аспекты и новый подход к прогнозированию заболеваемости. Инфекционные болезни: новости, мнения, обучение. 2018; 7 (3 (26)): 49−56. https://doi.org/10.24411/2305-3496-2018-13007

24. Гонтарев С.Н., Гонтарева И.С., Федотова Н.Н., et al. Динамика и прогнозирование заболеваемости детей хроническим пародонтитом. Вестник Медицинского стоматологического института. 2019; 3 (50): 21−27.

25. Алламярова Н.В., Алексеева В.М. Индивидуальное прогнозирование заболеваемости воспитанников специализированных домов ребенка (на примере Московской области). Социальные аспекты здоровья населения. 2014; 6 (40): 13.

26. Леушина Т.В. Тенденции в российской статистике заболеваемости молодых когорт населения. Интеллект. Инновации. Инвестиции. 2019; 5: 94−101. https://doi.org/10.25198/2077-7175-2019-5-94

1. Kondrat’ev M.A. Methods of forecasting and models of disease spread. Komp’juternye issledovanija i modelirovanie. 2014; 5 (5): 863–882. (in Russian)

2. Korobeckaja A.A. Forecasting the incidence of the population of the Russian Federation based on modeling time series. Vestnik Samarskogo municipal’nogo instituta upravlenija. 2010; 4 (15): 31–37. (in Russian)

3. Desjatkov B.M., Borodulin A. I., Kotljarova S. S., Lapteva N. A, et al. Mathematical modeling of epidemic processes and assessment of their statistical characteristics. Himicheskaja i biologicheskaja bezopasnost’. 2009; 1–3 (43–45): 15–19. (in Russian)

4. Lopatin A.A., Safronov V.A., Razdorskij A. S., Kuklev E.V. The current state of the problem of mathematical modeling and forecasting of the epidemic process. Problemy osobo opasnyh infekcij. 2010; 105: 28–30. (in Russian)

5. Golovinova V.Ju., Minaev Ju. L., Kotenko P.K., et al. Prediction of morbidity in a team using a neural network model. Izvestija Samarskogo nauchnogo centra Rossijskoj akademii nauk. 2010; 1 (6): 1595–1596. (in Russian)

6. Golovinova V.Ju., Kireev S.G., Kotenko P.K., et al. Neural network models for predicting morbidity in organized teams. Vestnik Rossijskoj Voenno-medicinskoj akademii. 2014; 3 (47): 150–154. (in Russian)

7. Efimova N.V., Gornov A.Ju., Zarodnjuk T. S. Experience of using artificial neural networks in predicting the incidence of the population (for example, the city of Bratsk). Jekologija cheloveka. 2010; 3: 3–7. (in Russian)

8. Hismatullina Z.R., Muhamadeeva O.R., Gabdullina S.R., Gareev E.M. Experience in predicting the dynamics of the incidence of zooanthroponous trichophytosis in the Republic of Bashkortostan. Medicinskij vestnik Bashkortostana. 2013; 8 (3): 10–13. (in Russian)

9. Nuriahmetova A.Zh., Fajzullina R.M. Clinical and anamnestic features in children with recurrent and chronic respiratory diseases living in an industrial region. Medicinskij vestnik Bashkortostana. 2013; 8 (3): 62–67. (in Russian)

10. Toropchin M. I., Postupajlo V.B., Sajapina L.V., Nikitjuk N. F. A method for predicting the incidence of brucellosis in the Russian Federation. Sovremennye problemy nauki i obrazovanija. 2016; 1: 16. (in Russian)

11. Postupajlo V.B., Sajapina L.V., Toropchin M. I., et al. Prediction of the incidence of brucellosis in the Russian Federation using Wald’s schedule. Problemy osobo opasnyh infekcij. 2017; 4: 77–80. (in Russian)

12. Beljalov F. I. Prediction of diseases using scales. Kompleksnye problemy serdechno-sosudistyh zabolevanij. 2018; 7 (1): 84–93. https://doi.org/ 10.17802/2306-1278-2018-7-1-84-93 (in Russian)

13. Rjazhenov V.V., Gorohova S.G. Prediction of the incidence of breast cancer with the isolation of the population of patients with HER2 overexpression in the Siberian Federal District. Sovremennaja onkologija. 2012; 14 (3): 57–59. (in Russian)

14. Zhigal’skij O.A. Analysis of methods for predicting the incidence of zoonotic infections. Jepidemiologija i vakcinoprofilaktika. 2012; 3 (64): 26–31. (in Russian)

15. Agarkov N.M., Gontarev S.N., Lucenko V.D., et al. Mathematical-cartographic modeling and prediction of the incidence of caries and acute apical periodontitis in children. Stomatologija. 2017; 96 (6): 48–55. https://doi.org/10.17116/stomat201796648–55 (in Russian)

16. Makogon S. I. State and prognosis of the incidence of glaucoma in the adult population of the Altai Territory. Nacional’nyj zhurnal glaucoma. 2014; 13 (4): 66–71. (in Russian)

17. Rajkin S. S., Hvorostuhina A. I., Shherbakova I.V. Formulation of the problem of mathematical modeling of the incidence of measles in the Saratov region. Bjulleten’ medicinskih internet-konferencij. 2014; 4 (11): 1261–1263. (in Russian)

18. Supotnickij M.V. Recognition of artificially induced outbreaks of infectious diseases. Aktual’naja infektologija. 2014; 2 (3): 116–141. (in Russian)

19. Zholdoshev S.T. Modern capabilities of the information and analytical subsystem for epidemiological surveillance of the spread of anthrax (analytical review). Problemy osobo opasnyh infekcij. 2009; 1 (99): 17–22. https://doi. org/10.21055/0370-1069-2009-1 (99) — 17–22. (in Russian)

20. Goloshhapov A.R., Gurin A.V. The level and prediction of the incidence of diseases of the circulatory system of adults in rural areas of the Moscow region. Bjulleten’ Nacional’nogo nauchno-issledovatel’skogo instituta obshhestvennogo zdorov’ja imeni N.A. Semashko. 2018; 1: 6–14. (in Russian)

21. Magomaev M. F. Forecast of the incidence of cerebral stroke in the Republic of Dagestan. Zhurnal nevrologii i psihiatrii im. C.C. Korsakova. 2015; 115 (3-2): 59–63. https://doi.org/10.17116/jnevro20151153259–63 (in Russian)

22. Kotin V.V. Prediction of morbidity: dynamic models and time series. Biotehnosfera. 2014; 3 (33): 45–47. (in Russian)

23. Prislegina D.A., Dubjanskij V.M., Maleckaja O.V., et al. Crimean-Congo hemorrhagic fever in the Stavropol Territory: modern clinical and epidemiological aspects and a new approach to predicting morbidity. Infekcionnye bolezni: novosti, mnenija, obuchenie. 2018; 7 (3 (26)): 49–56. https://doi.org/10.24411/2305-3496-2018-13007 (in Russian)

24. Gontarev S.N., Gontareva I. S., Fedotova N.N., et al. Dynamics and prediction of the incidence of chronic periodontitis in children. Vestnik Medicinskogo stomatologicheskogo instituta. 2019; 3 (50): 21–27. (in Russian)

25. Allamjarova N.V., Alekseeva V.M. Individual forecasting of the incidence of inmates of specialized children’s homes (on the example of the Moscow region). Social’nye aspekty zdorov’ja naselenija. 2014; 6 (40): 13. (in Russian)

26. Leushina T.V. Trends in Russian statistics of morbidity among young population cohorts. Intellekt. Innovacii. Investicii. 2019; 5: 94–101. https://doi.org/10.25198/2077-7175-2019-5-94 (in Russian)

Прогнозирование заболеваемости — одна из самых актуальных и сложных проблем здравоохранения и разделов социально-экономического прогнозирования [1–3]. В современных условиях особую актуальность приобретают новые методы и подходы к прогнозированию и моделированию распространения новых типов заболеваний и их влияния на мировую экономику, состояние здоровья населения, ресурсные и технологические возможности, а также эффективность управленческих мероприятий по ее контролированию со стороны здравоохранения, промышленности и правительств разных стран и регионов мира [4, 5].

Цель настоящего исследования — изучение и обобщение имеющегося отечественного опыта прогнозирования и моделирования заболеваемости населения, проведение анализа использования основных методов и подходов к ее прогнозу.

Основные методы исследования — изучение и обобщение опыта, аналитический. Материалами для проведения анализа являлись научные публикации и другие источники литературы по вопросам прогнозирования и моделирования заболеваемости в различных подгруппах населения и территориях Российской Федерации.

Следует отметить, что заболеваемость как объект прогнозирования имеет ряд особенностей по сравнению с такими показателями, как рождаемость, смертность населения, или показателями ресурсной обеспеченности здравоохранения [5–10]. Прежде всего, это особенность регистрации заболеваний — по обращаемости населения, а также природа заболеваний (инфекционные или неинфекционные), различные патогенетические механизмы развития и передачи заболеваний и многофакторность влияния на эти процессы. При низкой доступности медицинской помощи: от отсутствия медицинских организаций, специалистов, диагностических инструментов/материалов до низкой транспортной, финансовой доступности медицинской помощи, а также социально-экономического положения и ориентиров в организации труда и наличия возможностей самолечения снижается обращаемость в медицинские организации и тем самым регистрация заболеваний.

В то же время проведение скрининга, диспансеризации в различных целях, массовых осмотров населения, повышение доступности медицинской помощи приводит к увеличению числа выявленных заболеваний, чаще определенных нозологических групп, на той или иной территории или в группах населения, что позволит улучшить результаты прогнозирования распространения заболеваний. Также появление или проявление высококонтагиозного и летального заболевания, особенно в отсутствии эффективного лечения и методов профилактики, проведение или отказ от массовой вакцинации, климатические изменения, влияющие в большей степени на частоту сезонной инфекционной заболеваемости, болезней органов дыхания и травм, как и изменение социально-экономических условий, реализация национальных программ и проектов в здравоохранении ведет к изменению доступности, регистрации заболеваемости и тем самым к смещению результатов прогноза.

Для Цитирования:
Загоруйченко Анна Анатольевна, Карпова Оксана Борисовна, Актуальные подходы к прогнозированию и моделированию заболеваемости населения в России (обзор). Санитарный врач. 2022;8.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: