Алгоритм ухвалення рішень для визначення моделі прогнозування оцінки впливу пандемії COVID-19 на онкоепідеміологічний процес в Україні

Одержано 28.08.2024
Прийнято до друку 5.09.2024

DOI: 10.32471/clinicaloncology.2663-466X.55-3.33338

Експерти стверджують, що майбутні пандемії є неминучими подіями, і проблема полягає не в тому, чи вони відбудуться, а в тому, коли виникне нова надзвичайна ситуація у сфері охорони здоров’я. Життєво важливим аспектом для громадського здоров’я та безпеки країни є уроки, засвоєні з державної політики у сфері охорони здоров’я під час протидії кризі — пандемії COVID-19, а саме поліпшення профілактики, підготовленість органів самоврядування до подій наступних епідемій, релевантний аналіз недоліків під час попередньої пандемії та прогнозування наступної. Передбачення можливих наслідків впровадження різних програм охорони здоров’я з контро­лю COVID-19 включає всебічне вивчення особливостей епідемічного процесу цього захворювання як загалом, так і за певні проміжки часу з подальшою побудовою адекватної прогностичної моделі. У роботі проведений пошук моделей впливу на епідеміологічну ситуацію, що використовуються для прогнозування самого процесу. Проведено опрацювання мультиагентної моделі динаміки поширення епідемічних процесів розвинених країн, у яких використовується узагальнена математична SІR-модель і моделювання клітинних автоматів для вивчення динаміки інфекційних захворювань у контексті поширення COVІD-19. Здійснено аналіз досліджень імітації поширення епідемії для різних стратегій, режимів та підходів до поширення захворювання, що дозволить зробити аналіз та порівняння запроваджених обмежень для контролю за коронавірусною інфекцією.

COVID-19 є новою хворобою, і точного епідеміологічного профілю для неї у світі не існує. Оскільки процес поширення інфекційних хвороб, зокрема COVID-19, не може бути досліджений експериментально в Україні, застосування математичних та імітаційних моделей, безумовно, може забезпечити реальну альтернативу дослідження механізму впливу пандемії COVID-19 на онкоепідеміологічну ситуацію завдяки моделюванню з подальшим аналізом та оцінкою результатів. З цією метою проведений пошук найкращих прогнозних моделей. Загалом їх можна розподілити на 3 частини: класичні динамічні моделі інфекційних захворювань, моделі прогнозування часових рядів і моделі багатофакторного прогнозування. Моделі прогнозування часових рядів використовують такі методи, як довготривала короткочасна пам’ять (Long short-term memory — LSTM), усереднення ковзного вікна, модель авторегресійної інтегрованої ковзної середньої (Autoregressive integrated moving average — ARIMA) [1–2]. Однак у цих моделях лише досліджуються закони змін у часових рядах кривих епідемії тільки для короткострокових прогнозів і не враховуються фактори впливу. Багатофакторні моделі прогнозування використовують регресійні методи для встановлення зв’язку між кількістю підтверджених випадків та корельованими факторами. Однак вплив цих факторів не поєднується з ланцюгом передачі, тому вони не можуть пояснити, як ці фактори впливають на поширення COVID-19 [3–4].

Динамічні моделі інфекційних захворювань розподіляють населення на різні групи на основі епідеміологічних характеристик індивідів і використовують диференціальні рівняння для вираження процесу контактного зараження між популяціями. Ці моделі мають 2 переваги перед 2 вищезазначеними підходами: вони можуть представляти динамічний процес інфекційних захворювань у населення (чутливі, інфіковані, ті, що одужали) та епідеміологічні параметри, важливі для запобігання та контролю епідемій, а також для патологічних досліджень. Тому динамічні моделі поступово стають основними математичними підходами до досліджень інфекційних захворювань. Наприклад, SEIQR, SIR-X і SIQR, SEIRD, SEIRS, e-ISHR [5–9], моделі експоненціального та нелінійного зростання [10] і нові моделі інфекційних захворювань з додаванням безсимптомних ідентифікаторів [11], та інфекції навколишнього середовища [12]. Однак зазвичай вони придатні лише для однопікового та короткострокового дослідження інфекцій. J.P. Huang та співавт. вперше запропонували глобальну систему прогнозування пандемії COVID-19, поєднавши динамічні моделі з метеорологічними факторами [13]. Проте цей метод більше підходить для раннього короткострокового прогнозування епідемії (часовий період відносно невеликий), тому запропоновані нові моделі прогнозування COVID-19, спрямовані на кращий опис кривих епідемії з тривалим часом, кількома піками, високими коливаннями з метою отримання цінної допоміжної інформації для ухвалення рішень. Враховуючи мутації вірусу та ефективність вакцини, запропоновано кругову модель петлі SEAICRloop на основі моделі SEIR, потім створено модель ІRloop, — шляхом отримання даних про інфікованих осіб та вилучених. Параметри можуть бути повністю перевірені фактичними даними, що значно зменшує невизначеність і неточність результатів. Логістична функція зростання використовується для опису законів зміни швидкості зараження, спричинених природними факторами та втручанням людини на кожному етапі.

Стрімке поширення COVID-19 в Україні завдало безпрецедентної шкоди населенню, економічній та соціальній стабільності. Необхідно зауважити, що прогнозування впливу пандемій, зокрема впливу COVID-19 на онкоепідеміологічний процес до сьогодні, як у світі, так і Україні не здійснювалося. Ґрунтуючись на даних пошуку і наших досліджень, базова модель прогнозування онкоепідеміологічного процесу в Україні розглядалася в минулій нашій роботі за 2020 р. [14]. На основі даних НКРУ про онкологічну захворюваність в Україні за період 2003–2012 рр. виконано моделювання захворюваності за основ­ними нозологічними формами злоякісних новоутворень (ЗН) на наступні 10 років — до 2022 р. включно. Однак фактор пандемії, зокрема COVID-19, не враховувався [14].

На підставі проведеного пошуку в основу ухвалення рішень щодо створення алгоритму для моделювання прогнозування покладений підхід, викладений авторами T. Dyba і T. Hakulinen [15]. Його суть полягає в тому, що розглядаються 3 основні моделі типу «вік — період» (age — period model):

Модель 1: E(rate(i,t))=αi+βi•t;

Модель 2: log(E(rate(i,t)))=αi+βi•t;

Модель 3: log(E(rate(i,t)))=αi+β•t,

де — E(rate(i,t)) є очікуваним значенням показника захворюваності у віковій групі i в рік t;α та β — невідомі параметри.

Модель 1 передбачає різнонаправлені лінійні зміни в різних вікових групах. Модель 2 працює аналогічно, але використовує логарифмічну шкалу. Модель 3 передбачає, що зміни у вікових групах є однаковими за весь період.

З метою ухвалення рішення щодо використання однієї із зазначених моделей та вибору алгоритму розраховували прогнозне значення показника онкозахворюваності за останній рік досліджуваного періоду на підставі даних попередніх років, та вибирали модель, яка могла би дати адекватний результат, найближчий до фактично наявних спостережень.

Такий метод є універсальним і тому може бути застосованим для ухвалення рішень щодо вибору прогнозування онкоепідеміологічного процесу під час пандемій (COVID-19).

Слід зазначити, що результати моделювання, наведені в нашому дослідженні, — обмежуються 2022 р. через математичні обмеження моделі. Прогнозовані результати за 2022 р., наведені в дослідженні, значно різняться від показників захворюваності, які фактично зафіксовані у 2022 р. за даними НКРУ [16].

У зв’язку з початком бойових дій внаслідок повномасштабного вторгнення в Україну у 2022 р. відбулися значна міграція населення та зміни процесів реєстрації ЗН, вплив яких не міг бути врахований при попередньому моделюванні. Для оцінки впливу пандемії COVID-19 на онкоепідеміологічний процес варто застосувати алгоритм моделювання очікуваної онкозахворюваності на 2019–2021 рр. за даними 2013–2018 рр. з використанням вищенаведених моделей та порівняти отримані результати з фактичними значеннями вікового показника, що відмічалися у 2019–2021 рр.

Для моделювання розвитку захворюваності ЗН в якості вихідних даних взято уточнені дані НКРУ за 2013–2018 рр. (за уточненими даними 2022 р.), оскільки у цей період відмічається точна кількість народонаселення. Взято дані усіх регіонів України, за винятком Донецької, Луганської обл., АР Крим та м. Севастополь через відсутність даних щодо кількості населення цих територій після 2013 р. Розраховано кількість випадків за 5-річними віковими інтервалами та відповідні статево-вікові показники захворюваності для наступних нозологічних груп (табл. 1).

Для кожної нозологічної групи ЗН здійснювалося моделювання за T. Dyba і T. Hakulinen [15] за період 2019–2020 рр. Результати моделювання у вигляді прогнозованої кількості випадків онкозахворювання за кожною з нозологічних та статево-вікових груп підсумовані та порівнювалися з фактично отриманими даними щодо кількості відповідних захворювань у 2019–2020 рр. за уточненими даними НКРУ, станом на 2019–2020 рр. [17–18]. Результати порівняння наведені в табл. 2.

За результатами проведених обчислень, можна відмітити високий ступінь відповідності прогнозних та фактичних показників захворюваності та загальної кількості випадків за 2019 р. (різниця <1% для чоловіків та <2% для жінок), що свідчить про адекватність використаних підходів до моделювання. Водночас зафіксовані значні розбіжності та зниження показника фактичної онкозахворюваності та кількості виявлених випадків ЗН порівняно з прогнозом на 2020 р. (<18% у чоловіків, <14% у жінок), що, можливо, зумовлено факторами, які виникли під час пандемії COVID-19, а саме зниженням доступності медичної допомоги, припиненням планових госпіталізацій, відмовою пацієнтів від звернень до закладів охорони здоров’я з метою профілактичних та діагностичних обстежень.

Для моделювання розвитку смертності від ЗН також взяті дані НКРУ, за яким фіксувалося загальне зменшення кількості захворювань на ЗН та смертей від ЗН у 2020 р. порівняно з усередненими даними за 2015–2019 рр. у всіх вікових групах. Зокрема, загальна кількість смертей від ЗН серед чоловічого населення у 2020 р. зменшилася на 14,4%, серед жіночого — на 12,9%. Зменшення кількості летальних випадків відмічалася в усіх статево-вікових групах. Якщо зниження рівня зареєстрованих ЗН у 2020 р. під час пандемії COVID-19, можливо, спричинене загальним зниженням доступності медичної допомоги, — як наслідок карантинних обмежень, зменшенням кількості планових госпіталізацій та звернень пацієнтів до закладів охорони здоров’я, то нижченаведені фактори навряд чи можна розглядати, як можливі причини зниження смертності від ЗН.

Натомість можливими причинами зменшення кількості зареєстрованих смертей та, відповідно, зниження показника смертності від ЗН можна вважати наступні:

1) ускладнення процесів реєстрації смертей під час пандемії COVID-19, зниження доступності даних про смерть пацієнтів з онкопатологією для персоналу онкологічних диспансерів.

Якщо реєстрація випадків ЗН в Україні до сьогодні стабільно залишається на досить високому рівні, то, як зазначалося в публікації НКРУ, протягом останніх 20 років фіксується поступове зниження повноти реєстрації смертей пацієнтів з онкологічними захворюваннями в НКРУ [16], спричинене застарілою методологією та обмеженнями доступу персоналу НКРУ до інформації щодо померлих, наявної в Державному реєстрі актів цивільного стану громадян (ДРАЦСГ). Під час пандемії COVID-19 адміністративні процеси, пов’язані з реєстрацією смертей у НКРУ, ще погіршилися (заборона ДРАЦСГ викопійовувати дані щодо смертності від ЗН), що призвело до відсутності даних щодо певної кількості смертей від ЗН за даними НКРУ;

2) проблеми зі встановленням основної причини смерті, зокрема «міграцією» частини смертей від ЗН до таких, що спричинені COVID-19.

Як відзначалося в дослідженні Українського центру суспільних даних (електронний ресурс) [19], існують значні регіональні розбіжності у визначенні причин смерті, спричинені низьким рівнем відповідності міжнародним практикам, адміністративними чинниками та іншими факторами, які знач­но деформують структуру смертності населення України. COVID-19 став ще одним потужним фактором, що призвів до такої деформації, оскільки основ­ну частину померлих від COVID-19 становили пацієнти з мультиморбідними тяжкими формами хвороб, включно із ЗН, а методології визначення основної причини смерті на початку пандемії не було розроблено, і навіть за наявності такої методології рівень її використання залишається низьким. Адекватне визначення причини смерті під час пандемії COVID-19 стало справжнім викликом для статистиків та медичних працівників.

Розглянуто можливість моделювання та прогнозування змін показника смертності від ЗН в Україні за принципами, застосованими раніше для моделювання онкозахворюваності, які базуються на нашій роботі — вибір однієї з трьох основних моделей типу «вік — період» (age-period model Dyba T. і Hakulinen T.).

Варто зазначити, що загальною проблемою НКРУ для математичної статистики смертності є повнота та якість кількісних даних щодо летальних випадків від ЗН, які мають бути використані в разі вихідних даних. Враховуючи значні ризики неповних та недостовірних даних щодо смертності від ЗН, які наявні станом на момент проведення дослідження, кількісне моделювання смертності від ЗН в Україні за період пандемії COVID-19 на основі даних НКРУ визнано наразі недоцільним.

В якості вихідних даних для моделювання взято дані смертності Державної служби статистики України (далі — Держстат) за період 2013–2018 рр., період прогнозування — на 2019–2020 рр. Використані відомості з усіх регіонів України, за винятком Донецької, Луганської обл., а також АР Крим і м. Севастополь.

Прогнозування здійснювалося за статтю, групами нозологій (табл. 3–4).

Так, за результатами вищезазначених досліджень зафіксовано статистично значуще (p <0,05) перевищення прогнозних значень стандартизованих показників порівняно з фактичними.

На основі даних НКРУ з використанням статистичного пакета (R) та відповідного програмного забезпечення для моделювання побудовані прогнозні моделі розвитку онкоепідеміологічного процесу за нозологічними формами ЗН. Для цього кожної з основних нозологічних форм серед чоловічого та жіночого населення проведено моделювання за раніше описаною методологією T. Dyba і T. Hakulinen за період 2019–2020 рр.

Розраховані статево-вікові показники захворюваності (Age-Standardized Rate (ASR), на 100 тис. населення, світовий стандарт). У табл. 5 наведені стандартизовані за віком показники захворюваності ASR (нижнє та верхнє значення 95% довірчого інтервалу (ДІ)).

ВИСНОВКИ

В отриманих результатах за 2019 р. виявлено адекватність проведеного моделювання за основними нозологічними формами ЗН. Водночас суттєві відмінності від фактично отриманих даних за 2020 р., а саме зниження показника онкозахворюваності за основними нозологічними формами як у чоловіків, так і у жінок — свідчать про наявність додаткових факторів, не врахованих при моделюванні, які виникли протягом 2020 р. Оскільки процеси розвитку ЗН зазвичай є довготривалими, то можливість реального зниження ризику виникнення ЗН протягом 1 року не розглядалася. Зазначені фактори очевидно пов’язані з адміністративно-організаційними чинниками, які виникли під час пандемії COVID-19 у 2020 р. Отриманий при моделюванні рівень захворюваності на ЗН у 2020 р. за основ­ними нозологіями можна вважати «очікуваним», а різницю між прогнозною та фактично встановленою кількістю випадків — потенційно не виявленими протягом 2020 р. випадками ЗН.

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ

1. Ronaghi, F., Salimibeni, M., Naderkhani, F., & Mohammadi, A. (2022). COVID19-HPSMP: COVID-19 adopted hybrid and parallel deep information fusion framework for stock price movement prediction. Expert Systems With Applications, 187, 115879. doi.org/10.1016/j.eswa.2021.115879.

2. Quintero, Y., Ardila, D., Camargo, E., Rivas, F., & Aguilar, J. (2021). Machine learning models for the prediction of the SEIRD variables for the COVID-19 pandemic based on a deep dependence analysis of variables. Computers in Biology and Medicine, 134, 104500. doi.org/10.1016/j.compbiomed.2021.104500.

3. Dansana, D., Kumar, R., Bhattacharjee, A., & Mahanty, C. (2022). COVID-19 outbreak prediction and analysis of E-healthcare data using random Forest Algorithms. International Journal of Reliable and Quality E-Healthcare, 11(1), 1–13. doi: 10.4018/IJRQEH.297075.

4. Wang, R. X., Ji, C. J., Jiang, Z. M., Wu, Y., Yin, L., & Li, Y. (2021). A short-term prediction model at the early stage of the COVID-19 pandemic based on multisource urban data. IEEE Transactions on Computational Social Systems, 8(4), 1021–1028. doi: 10.1109/TCSS.2021.3060952.

5. Jumpen, W., Wiwatanapataphee, B., Wu, Y. H., & Tang, I.-M. (2020). A SEIQR model for pandemic influenza and its parameter identification. International Journal of Pure and Applied Mathematics, 52(2), 247–265.

6. Maier, B. F., & Brockmann, D. (2020). Effective containment explains sub-exponential growth in confirmed cases of recent COVID-19 outbreak in mainland China. Science, 368(6492), 742–746. doi: 10.1126/science.abb4557.

7. Crokidakis, N. (2020). COVID-19 spreading in Rio de Janeiro, Brazil: do the policies of social isolate-on really work? Chaos, Solitons & Fractals, 136, 109930. doi.org/10.1016/j.chaos.2020.109930.

8. Viguerie, A., Lorenzo, G., Auricchio, F., Baroli, D., Hughes, T. J. R., Patton, A., … Veneziani, A. (2020). Simulating the spread of COVID-19 via a spatially-resolved susceptible — exposed — infected — recovered — deceased (SEIRD) model with heterogeneous diffusion. Applied Mathematics Letters, 111, 106617. doi.org/10.1016/j.aml.2020.106617.

9. Li, S. J., Song, K., Yang, B. R., Gao, Y., & Gao, X. (2020). Preliminary assessment of the COVID-19 outbreak using 3-staged model e-ISHR. Journal of Shanghai Jiaotong University, 25(2), 157–164. doi: 10.1007/s12204-020-2169-0.

10. Mahanty, C., Kumar, R., Mishra, B. K., Hemanth, D. J., Gupta, D., & Khanna, A. (2022). Prediction of COVID-19 active cases using exponential and non-linear growth models. Expert systems, 39(3), e12648. doi.org/10.1111/exsy.12648.

11. Davies, N., Klepac, P., Liu, Y., Prem, K., Jit, M., & Eggo, R. M. (2020). Age-dependent effects in the spread and control of COVID-19 epidemics. Nature Medicine, 26, 1205–11. doi: 10.1038/s41591-020-0962-9.

12. Poleneni, V., Rao, J. K., & Hidayathulla, S. A. (2020). COVID-19 prediction using ARIMA model. Retrieved from ieeexplore.ieee.org/document/9377038.

13. Huang, J. P., Zhang, L., Liu, X. Y., Wei, Y., Liu, C., Lian, X., … Zhang, T. (2020). Global prediction system for COVID-19 pandemic. Science Bulletin, 65, 884–1887. doi: 10.1016/j.scib.2020.08.002.

14. Ryzhov, А., Bray, F., Ferlay, J., Fedorenko, Z., Goulak, L., Gorokh, Y., … Znaor, A. (2020). Recent cancer incidence trends in Ukraine and short-term predictions to 2022. Cancer Epidemiology, 65. doi.org/10.1016/j.canep.2019.101663.

15. Dyba, T., & Hakulinen, T. (2000). Comparison of different approaches to incidence prediction based on simple interpolation techniques. Statistics in Medicine, 19(13), 1741–52. doi: 10.1002/1097-0258(20000715)19:13<1741::aid-sim496>3.0.co;2-o.

16. Національний канцер-реєстр України. Відновлено з http://www.ncru.inf.ua/publications, http://www.ncru.inf.ua/publications/index.htm.

17. Федоренко, З. П., Михайлович, Ю. Й., Гулак, Л. О., Сумкіна, О. В., Горох, Є. Л., & Куценко, Л. Б. (2021). Рак в Україні, 2019–2020. Захворюваність, смертність, показники діяльності онкологічної служби. Бюлетень Національного канцер-реєстру України (Vol. 22). Кропивницький: Поліум.

18. Федоренко, З. П., Михайлович, Ю. Й., Гулак, Л. О., Сумкіна, О. В., Горох, Є. Л., & Куценко, Л. Б. (2022). Рак в Україні, 2020–2021. Захворюваність, смертність, показники діяльності онкологічної служби. Бюлетень Національного канцер-реєстру України (Vol. 23). Кропивницький: Поліум.

19. Горбаль, А., Рингач, Н., Насрідінов, Р., Сидорук, О., Суховій, О., & Процюк, А. (2021). Аналіз статистичних даних щодо випадків та причин смерті. Відновлено з socialdata.org.ua/analiz-statistichnikh-danikh-shhodo-vipad.

Коментарів немає » Додати свій

Leave a comment

Ім’я (required)

Mail (will not be published) (required)

Сайт

CAPTCHA Code