ПОСТАНАЛИЗ ДАННЫХ ПО ЗАБОЛЕВАЕМОСТИ COVID-19 МЕТОДОМ SSA НА ПРИМЕРЕ НОВОСИБИРСКОЙ ОБЛАСТИ

Резюме

Статья посвящена преимущественно пост-анализу эпидемиологических данных о Covid-19 в Новосибирске за период с 2020 по 2023 годы с использованием метода сингулярного спектрального анализа (Singular spectrum analysis, SSA). Предложен литературный обзор работ, посвященный анализу данных различного типа, описывающих эпидемиологическую ситуацию во время пандемии в различных регионах мира. Показано, что превалирующая часть работ, написана и посвящена описанию первого начального этапа развития эпидемии (2020 г). Работ по пост-анализу данных о многолетней динамики вируса Sars-Cov-2 фактически не наблюдается. Исследование подчеркивает важность пост-анализа данных для понимания динамики распространения вируса и особенностей его воздействия на здоровье населения. Результаты проведенного исследования позволяют оценить, как менялась восприимчивость населения к разным штаммам вируса, в чем отличие вспышки заболеваемости, связанной с появлением нового штамма вируса, от сезонного распространения инфекции.

Для анализа в статье используется метод SSA, применяемый к анализу временных рядов для разделения их на составляющие. Метод применялся для изучения ключевых показателей, таких как количество новых заражений, смертей, числа критических случаев, числа госпитализированных и числа пациентов, находящихся на ИВЛ в Новосибирской области. Для описанных наборов данных выделяются три основные компоненты: общий тренд, который отражает изменение скорости распространения вируса с распространением новых штаммов, а также периодические явления, связанные с штаммами и сезонностью.

Результаты показывают, что значительная часть изменений в динамике заболеваний обусловлена появлением новых штаммов, но также проявляется и "фоновая" эпидемия с сезонными колебаниями. Это подчеркивает необходимость учитывать множество факторов, влияющих на распространение вируса, включая иммунитет, методы лечения и качество медицинской помощи. Показаны наблюдаемые взаимосвязи и временные лаги между количеством критических больных и количеством зафиксированных смертей от вируса, а также между количеством госпитализированных больных и пациентов, находящихся на ИВЛ.  

Статья завершается выводами о том, что выделенный тренд показывающий, как менялось число инфицированных с развития штаммов, может быть полезен для уточнения параметров математических моделей распространения COVID-19. В качестве иллюстративного примера выбрана дифференциальная модель SEIR-HCD, которая ранее использовалась для моделирования распространения заболеваемости в Новосибирской области. Показано, что параметр скорости распространения вируса, восстановленный через по выделенному тренду, при подстановке его в модель даёт меньшую ошибку моделирования, чем восстановленный с помощью решения обратной задачи.