Соискатель-инженер
Тверской государственный технический университет
кандидат технических наук
УДК 004.94
Введение
Несмотря на огромные достижения в области медицины и общественного здравоохранения, уровень смертности от опасных, но излечимых заболеваний остается высоким во всем мире, особенно в развивающихся странах. Современные методы системного анализа и имитационного моделирования, а также разработанные на их основе системы поддержки принятия решений способны существенно повысить эффективность инициатив развитых стран по предоставлению медицинских услуг населению развивающихся стран, на что прямо указывают рекомендации Всемирной организации здравоохранения.
Прогнозирование распространения эпидемических заболеваний является одним из ключевых применений методов имитационного моделирования. В этой области используется системная динамика. С помощью моделирования можно надеяться получить понимание этих всеобъемлющих принципов и общего поведения системы, основываясь на предположениях об уникальном, частном поведении каждого из ее активных элементов и о том, как эти вещи взаимодействуют друг с другом.
Актуальность темы состоит в том, что разработки проблемно-ориентированных систем управления для ограничения эпидемических заболеваний не вызывает сомнений. Важнейшим инструментом для изучения таких систем является подходящая математическая модель, позволяющая прогнозировать пространственное распространение эпидемий. Разработанные к настоящему времени модели прогнозирования распространения эпидемий и основанные на них системы поддержки принятия решений используют динамические модели разделения популяций с глобальным перемешиванием и не могут моделировать пространственное распространение заболеваний. Известны разработки, использующие графики численности населения и транспортных потоков, однако они не могут адекватно описать процесс распространения заболеваний, передающихся через окружающую среду или при перемещении носителей. Ввиду взаимодополняемости системно-динамических и агентных моделей распространения эпидемических заболеваний целесообразно использовать эти модельные классы в тандеме для прогнозирования динамики эпидемических систем, что требует тщательного сравнения их характеристик.
Таким образом, актуальной является задача разработки модели прогнозирования распространения холеры с учетом пространственного переноса заболевания на основе методов компартментного моделирования и клеточных автоматов для построения на еѐ основе систем поддержки принятия решений противоэпидемических служб.
Цель данной работы - повышение качества управления противоэпидемическими операциями путем численного моделирования и изучения особенностей передачи эпидемий с помощью комбинированной имитационной модели, основанной на стохастическом моделировании компартментов и клеточных автоматах.
Задачи исследования:
Для достижения поставленной цели необходимо решение следующих задач:
Научная новизна заключается в работе получены структурой стохастической компартмент-модели эпидемии гриппа отличается представлением потоков членов популяции между компартментами как случайных величин, распределенных по биномиальному закону, что, по сравнению с известными детерминированными моделями, лучше отражает зависимость динамики эпидемического процесса от абсолютных значений объемов компартментов адекватно отражают ее.
Одним из наиболее социально значимых заболеваний является такое инфекционное заболевание, как грипп. Хотя реальные процессы, происходящие при распространении инфекции, зачастую не до конца понятны, изучение имеющихся данных о динамике патогенеза и математическо-биологических методах позволило построить имитационные модели распространения инфекционных заболеваний. Люди принимают противоэпидемические меры [1].
Эпидемия это широкое распространение инфекционного заболевания, значительно превышающее обычно регистрируемую заболеваемость (спорадическую заболеваемость) на определенной территории. При правильных условиях эпидемии могут распространяться и достигать новых территорий. На распространение эпидемии влияют такие факторы, как интенсивность контактов между людьми, наличие или отсутствие источников заболевания, а также недостаточность профилактических мер. Понимание закономерностей возникновения и передачи эпидемий среди организмов может помочь вовремя обнаружить или предотвратить их [2, 3].
Решение проблемы пространственного распределения эпидемий требует параллельной или распределенной архитектуры. Существует множество математических моделей параллельных и распределенных вычислений. Одной из математических моделей параллельных и распределенных вычислений являются клеточные автоматы (КА). Многочисленные исследования продемонстрировали некоторые очень интригующие результаты при использовании клеточных автоматов для описания реальных физических процессов, таких как социальные взаимодействия, эпидемии или квантовые мировые явления. Однако найти исследования, которые идут другим путем, действительно сложно. Поведение КА только усложняется за счет добавления большего количества компонентов и более сложных правил, поскольку фундаментальные идеи, управляющие функционированием КА, уже разработаны и используются в качестве основы [4].
В одной из первых моделей выделялись три группы: группа, восприимчивая к заболеванию, группа, восприимчивая к инфекции, и выздоровевшая группа с длительным иммунитетом. Этот класс моделей обозначается аббревиатурой SIR. Иногда компартментные эпидемиологические модели объединяют в SIR-модели. Компартментные модели распространения эпидемии в условиях активного выявления случаев заболевания включают детерминированные и стохастические модели. На рисунке 1 представлена SIR-модель эпидемии (на примере гриппа) [6].
Рис. 1. SIR модель эпидемического заболевания (гриппа).
На рисунке 1 модель обозначена S - число особей в восприимчивом отсеке, I - число особей, распространяющих инфекцию, R - число выздоравливающих особей, α - частота появления новых восприимчивостей в популяции, β - частота заражения, γ - частота выздоровления, μ -частота естественной смертности, μi - частота смертей от болезней, обозначенная N - общая численность населения [7, 8].
SIR Модель заданная системой дифференциальных уравнений эпидемической модели (1):
В предыдущих исследованиях рассматривались системы управления эпидемиями на основе компартментных имитационных моделей распространения эпидемий с использованием детерминированных и стохастических моделей с предположениями о глобальном перемешивании в популяциях с непрерывной пространственной структурой, где пространственное распространение болезни не может быть смоделировано.
Компартментные модели часто используются для прогнозирования распространения эпидемий. Известные модели эпидемий используют принцип глобального смешивания особей, когда все восприимчивые особи имеют равный риск заражения. Однако популяции таких заболеваний, как грипп, где для передачи инфекции важен не только прямой контакт между индивидуумами, но и окружающая среда, представляют собой пространственно распределенные динамические системы. Методы клеточных автоматов считаются подходящими для моделирования эпидемических процессов в таких популяциях. В данной работе предлагается имитационная модель передачи заболеваний, объединяющая стохастическое моделирование по компартментам и стохастические клеточные автоматы, что позволяет моделировать процесс пространственной передачи заболеваний [9-11].
КА - это дискретная динамическая система, поведение которой может быть полностью описано в терминах локальных зависимостей. КА - это система, состоящая из дискретных ячеек. Ячейки могут быть линейно расположены в одномерном или многомерном пространстве. Эпидемия - это пространственно-распределенная динамическая система, предназначенная для описания пространственно-временного поведения с помощью моделей этого класса клеточных автоматов [12, 13]. В данной работе рассматривается разработка проблемно-ориентированной системы управления для ограничения эпидемии где эпидемия - пространственно-распределенная динамическая система, с использованием моделирующего программного обеспечения AnyLogic [14].
Эпидемиологические модели - это математические и логические представления эпидемиологии передачи заболеваний. Эти модели отражают пространственную и временную динамику передачи заболеваний между организмами. Таким образом, эпидемиологические модели могут определять географические масштабы эпидемии и ее продолжительность путем применения различных мер борьбы [15, 16].
Для решения задачи пространственного распространения эпидемии существует ряд математических моделей параллельных и распределенных вычислений. Одной из них является клеточный автомат, который может быть использован для описания процессов непрерывной динамической системы, например, популяции, подвергающейся эпидемии, поскольку КА является дискретной динамической системой и ее поведение может быть полностью описано в терминах локальных зависимостей [17, 18].
Эпидемиологическая ситуация с данными соответствует классической модели SIR. На первом этапе моделирования определяются независимые и зависимые переменные. Независимой переменной является время t, в днях. Одна из первых эпидемических моделей описывает три группы населения: число восприимчивых особей (S), число инфицированных особей (I) и число особей, выздоровевших благодаря длительному иммунитету (R) [19, 20].
Предложен метод моделирования пространственного распространения гриппа в пространственно распределенных популяциях, сочетающий стохастическую модель, предполагающую глобальное перемешивание особей, с имитационной моделью на основе двумерного клеточного автомата. При моделировании миграционных потоков и смешения популяций на основе клеточных автоматов миграция происходит между элементарными популяциями. Отбор особей для перемещения осуществляется следующим образом: интенсивность миграции постоянна по всей популяции; миграция происходит равномерно из всех популяций [21, 22].
На рисунке 2 представлена SIR-модель эпидемии, основанная на стохастической компартмент-модели с клеточными автоматами [23, 24].
Рис. 2. Предлагаемая SIR- модель.
В моделировании миграционных потоков и перемешивания населения на основе клеточных автоматов модель SIR определяется системой. Дифференциальное уравнение (2) модели эпидемии гриппа (при Δt = 1):
St – количество восприимчивых особей в популяции в момент t, It – количество инфицированных особей в популяции в момент t, Rt – число выздоровевших особей в популяции в момент t. rb – оператор задания случайной величины в соответствии с биномиальным законом распределения. Если rb = Randbinom (p; n), то p — количество интенсивностей, вероятность успеха, n — количество испытаний [25].
Моделирование SIR-моделей с использованием детерминированных и стохастических моделей и сравнительный анализ позволяют показать, что при моделировании детерминированных процессов случайные эффекты отсутствуют и неизбежен один исход [26, 27]. С другой стороны, при моделировании стохастического процесса (случайного) можно получить различные результаты с нескольких точек зрения. Это позволяет предположить, что использование стохастических моделей дает наиболее точные и адекватные результаты для реального распространения эпидемии [28].
Параметры модели SIR сведены в таблице 1.
Таблица 1. Параметры SIR модель.
параметры |
описание |
S |
Число людей, восприимчивых к заболеванию |
I |
Число инфицированных |
R |
Число выздоровевших (иммунитетных) |
N |
общая численность населения |
α |
уровень новых восприимчивых групп населения |
β |
уровень заражения |
γ |
скорость восстановления (выздоровления) |
μ |
уровень естественной смерти |
μi |
уровень смертности от заболевания |
M |
Коэффициент скорость миграция |
j |
количество соседей |
При реализации модели с помощью компьютерного графического моделирования в программе Any Logic [29] граф перехода имитационной модели гриппа выглядит так, как показано на рисунке 3.
Рис. 3. Имитационная модель с использованием пакета AnyLogic.
AnyLogic поддерживает разработку и моделирование систем с обратной связью (потоковые и аккумуляторные диаграммы, правила принятия решений, включающие массив переменных) [30]. Модели, разработанные в среде AnyLogic, предназначены для изучения особенностей эпидемий и процессов восстановления систем. Среда позволяет изменять значения параметров модели непосредственно в процессе работы, что аналогично вмешательству человека в различные процессы в реальной жизни [31-33].
Результаты исследования
Для получения этих результатов при моделировании SIR-модели с помощью клеточных автоматов для прогнозной оценки пространственного распространения эпидемии были приняты следующие значения параметров системы β=0,002, γ=0,5 и М=0,001. Решения были найдены в интервале времени [0-15] дней.
На рисунках 4 и 5 показана чувствительность компартментной имитационной модели и модели передачи гриппа на основе клеточного автомата к изменению восприимчивости человека (S) и количества инфицированных (I) к изменению скорости миграции. Показано изменение коэффициента (M) за интервал времени [0-15] дней.
Рис. 4. Сравнительное исследование восприимчивых к заболеванию людей.
Рис. 5. Сравнительное изучение количества инфицированных особей.
На рисунках 4 и 5 показана изменение эпидемического процесса гриппа в зависимости от коэффициента миграции населения (М). Как видно из графиков, значение этого параметра влияет на характер моделируемой развитии эпидемического процесса.
Исследование динамических свойств разработанной модели популяции необходимо как для качественной, так и для количественной оценки её адекватности. Параметры модели распространения холеры в популяции, определённые на основании информации из различных источников, очевидно, имеют различную степень точности и достоверности [34, 35].
Предложенная SIR модель клеточных автоматов демонстрирует что сравнительный анализ моделей показывает, что снижение интенсивности межкамерных миграционных потоков (М) задерживает распространение эпидемии (количество зараженных) (зеленая линия) по сравнению с моделями с глобальным перемешиванием (линия красного цвета), что позволяет оперативно (быстро) отслеживать и анализировать закономерности распространения заболевания, повышая тем самым качество управления противоэпидемическими операциями [36, 37].
Достоинства разработанного автором метода моделирования, изложенные в том числе в настоящей статье, позволяют сделать вывод о предпочтительном его использовании для пространственного моделирования: модели клеточных автоматов позволяют явно моделировать пространственную динамику. Это важно для понимания того, как болезни распространяются в конкретных географических регионах и как местные взаимодействия влияют на общую эпидемию.
Стохастические модели клеточных автоматов также фиксируют взаимодействия на индивидуальном уровне, что делает их пригодными для изучения гетерогенных популяций и влияния индивидуального поведения на распространение болезней.
Модели клеточных автоматов могут проявлять эмерджентные свойства, когда сложные закономерности и поведение возникают из простых правил на индивидуальном уровне. Это может дать представление о самоорганизации динамики эпидемии.
Недостатки предлагаемого метода моделирования заключаются в том, что моделирование моделей клеточных автоматов может потребовать больших вычислительных ресурсов, особенно для больших популяций и сложных баз. Это может ограничить использование этих моделей для определенных приложений. Присвоение реалистичных и точных значений параметрам моделей клеточных автоматов, особенно тем, которые связаны с индивидуальным поведением, может быть сложной задачей из-за отсутствия прямых эмпирических данных.
Заключение
При моделировании миграционных потоков и смешанных популяций на основе клеточных автоматов миграция происходит между элементарными популяциями, соответствующими ячейкам. Отбор особей для перемещения осуществляется следующим образом: интенсивность миграции постоянна по всей популяции; миграция происходит равномерно из всех групп.
В работе был предложен метод моделирования КА, при комбинированном имитационном моделировании пространственного распространения гриппа на основе стохастической компартментной модели и вероятностного клеточного автомата. Клеточные автоматы являются перспективным направлением для научных исследований. Поэтому различные модели на основе клеточных автоматов в настоящий момент активно развиваются.
Таким образом, можно сказать, что получена комбинированная имитационная модель распространения эпидемий на основе вероятностного клеточного автомата, позволяющая получить более адекватно моделировать пространственно-распределенные эпидемические процессы по сравнению с известными моделями, использующими различные варианты представления перемешивания индивидов в популяциях.
А еѐ комбинация с математической моделью эпидемий позволит, как в реальном, так и в ускоренном режиме времени не только моделировать развитие эпидемий , но и отображать динамику различных параметров во всех ячееках.
Предложенная модель на основе клеточного автомата способна легче интегрировать мобильность и взаимодействие между вектором и хозяином для повышения качества и точности противоэпидемической ситуации и прогнозирования эпидемических заболеваний.
Рецензии:
14.11.2023, 9:10 Нурмухамедов Толаниддин Рамзиддинович
Рецензия: Статья интересная, но требует тщательной редакции: актуальность работы полностью не раскрыта, задачи исследования требуют доработки, нет ссылок на ряд использованных литератур - 22-24, 26, 27. Заключение не в полной мере раскрывает основные полученные результаты