Моделирование и прогнозирование показателей динамики заболевания жителей Красноярского края коронавирусом COVID-19 на примере отдельного ЛПУ
DOI:
https://doi.org/10.52575/2687-0932-2024-51-3-643-656Ключевые слова:
COVID-19, регрессионная модель, экспоненциальные модели, библиотека Prophet, LSTM, машинное обучение, прогнозированиеАннотация
Принятие обоснованных решений в здравоохранении требует наличия информации о распространении эпидемий. Большинство существующих моделей прогнозирования распространения COVID-19 фокусируются на национальном или региональном уровне, данное исследование предлагает решение для прогнозирования на уровне отдельных лечебно-профилактических учреждений (ЛПУ). Целью данного исследования является разработка и оценка точности моделей прогнозирования динамики ключевых локальных показателей распространения COVID-19 на уровне отдельного лечебно-профилактического учреждения, которые позволят оптимизировать распределение медицинских ресурсов. В работе использованы методы регрессионного анализа, экспоненциального сглаживания, долгосрочной кратковременной памяти (LSTM), деревья решений XGBoost, модель Prophet. Для построения моделей использованы данные о заболеваемости коронавирусом Красноярской краевой больницы с марта 2020 по декабрь 2023. Исследованные модели позволяют оценить динамику распространения коронавирусной инфекции в отдельно взятом лечебно-профилактическом учреждении, что позволит использовать технологии балансировки нагрузки и распределения ресурсов как внутри лечебно-профилактического учреждения, так и между другими ЛПУ.
Скачивания
Библиографические ссылки
Захаров В.В., Балыкина Ю.Е. 2021. Балансовая модель эпидемии COVID-19 на основе процентного прироста. Информатика и автоматизация, 20(5): 1034–1065.
Криворотько О.И., Кабанихин С.И., Зятьков Н.Ю., Приходько А.Ю., Прохошин Н.М., Шишленин М.А. 2020. Математическое моделирование и прогнозирование COVID-19 в Москве и Новосибирской области. Сибирский журнал вычислительной математики, 23(4): 395–414.
Омельяновский В.В., Семёнова Т.В., Лукъянцева Д.В., Федяев Д.В., Шалаева Е.А. 2020. Разработка методики расчета потребности во врачебных кадрах в здравоохранении Российской Федерации с использованием математической модели. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология, 13(4): 427–437.
Adhikari R., Agrawal R.K. 2013. An introductory study on time series modeling and forecasting. arXiv preprint arXiv:1302.6613.
IHME COVID-19 Forecasting Team. 2021. Modeling COVID-19 scenarios for the United States. Nature medicine, 27(1): 94–105.
Fanelli D., Piazza F. 2020. Analysis and forecast of COVID-19 spreading in China, Italy and France. Chaos, Solitons & Fractals, 134: 109761.
Grober T., Grober O., Savchenko O. 2020. An innovative approach to the study of the model of a medical institution. In E3S web of conferences, 210:11002.
Hu Z., Ge Q., Li S., Jin L., Xiong M. 2020. Artificial intelligence forecasting of covid-19 in China. arXiv preprint arXiv:2002.07112.
Lacasa L., Challen R., Brooks-Pollock E., Danon L. 2020. A flexible method for optimising sharing of healthcare resources and demand in the context of the COVID-19 pandemic. PLoS ONE, 15(10): e0241027.
Lee K., Agrawal A., Choudhary A. 2017. Forecasting influenza levels using real-time social media streams. IEEE International Conference on Healthcare Informatics (ICHI): 409–414.
Luo J., Zhang Z., Fu Y., Rao F. 2021. Time series prediction of COVID-19 transmission in America using LSTM and XGBoost algorithms. Results in Physics, 27: 104462.
Papastefanopoulos V., Linardatos P., Kotsiantis S. 2020. COVID-19: a comparison of time series methods to forecast percentage of active cases per population. Applied sciences, 10(11): 3880.
Petropoulos F., Makridakis S. 2020. Forecasting the novel coronavirus COVID-19. PloS one. 15(3): e0231236.
Taylor S.J., Letham B. 2018. Forecasting at scale. The American Statistician, 72(1): 37–45.
Wei W., Wang G., Tao X., Luo Q., Chen L., Bao X., Liu Y., Jiang J., Liang H., Ye L. 2023. Time series prediction for the epidemic trends of monkeypox using the ARIMA, exponential smoothing, GM (1, 1) and LSTM deep learning methods. Journal of General Virology, 104(4): 001839.
Xian X., Wang L., Wu X., Tang X., Zhai X., Yu R., Qu L., Ye M. 2023. Comparison of SARIMA model, Holt-winters model and ETS model in predicting the incidence of foodborne disease. BMC Infectious Diseases, 23(1): 803.
Yin R., Luusua E., Dabrowski J., Zhang Y., Kwoh C.K. 2020. Tempel: time-series mutation prediction of influenza A viruses via attention-based recurrent neural networks. Bioinformatics, 36(9): 2697–2704.
Zhang L., Bian W., Qu W., Tuo L., Wang Y. 2021. Time series forecast of sales volume based on XGBoost. In Journal of Physics: Conference Series, 1873 (1): 012067.
Просмотров аннотации: 16
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.