МАТЕМАТИКА ЖӘНЕ ЭПИДЕМИЯЛАР: ЖҰҚПАЛЫ АУРУЛАРДЫҢ

ТАРАЛУЫН МОДЕЛЬДЕУДЕГІ МАТЕМАТИКАНЫҢ РӨЛІ

Қойшыбай Бекнұр Ерболатұлы
Информатика БББ 3 курс студенті, Астана халықаралық университеті,
Астана, Қазақстан

Аңдатпа. Жұқпалы аурулардың таралуы бүкіл әлемде денсаулық

сақтау саласына айтарлықтай қиындықтар туғызады. Математикалық
модельдеу эпидемияны түсінудің, болжаудың және бақылаудың маңызды
құралына айналды. Бұл мақалада математиканың эпидемиологиядағы рөлі
зерттеліп, әртүрлі модельдер, олардың қолданылуы және нақты әлемдегі
жағдайлық зерттеулер талқыланады. Дифференциалдық теңдеулерді,
статистикалық талдауларды және есептеу модельдеулерін пайдалана
отырып, біз математикалық құрылымдардың аурудың таралу динамикасы
туралы түсінік беретінін және денсаулық сақтау стратегияларының негізі
болып табылатынын көрсетеміз.
Кілттік сөздер: Дифференциалдық теңдеулер, математикалық
модельдеу, статистикалық талдаулар, таралу динамикасы, денсаулық сақтау,
болжау

Жұқпалы аурулардың таралу динамикасын түсіну үшін математикалық

модельдер бұрыннан қолданылып келеді. Бұл модельдер хост, қоздырғыш
және қоршаған орта арасындағы күрделі өзара әрекеттесуді зерттеуге жүйелі
көзқарасты ұсынады. Негізгі мақсат-аурулардың таралуын болжау және
араласу стратегияларын бағалау. Бұл мақалада эпидемиологияда
қолданылатын іргелі математикалық модельдер қарастырылады, олардың
қолданылуын нақты мысалдармен көрсетеді.
Математика жұқпалы аурулардың таралуын түсіну мен бақылауда
шешуші рөл атқарады, эпидемияларды модельдеу, эпидемияларды болжау
және денсаулық сақтау стратегияларын ақпараттандыру құралдарын
ұсынады. Кермак пен Маккендриктің 1927 жылғы негізгі жұмысы эпидемия
кезінде адамдардың денсаулық жағдайы арасында қалай ауысатынын
сипаттайтын SIR (Сезімтал-Жұқпалы-Қалпына келтірілген) моделінің негізін
қалады. Содан бері бұл модель туу және өлім-жітім көрсеткіштері,
вакцинация және кешігу кезеңдері сияқты әртүрлі факторларды ескере
отырып кеңейтілді.
Эпидемияны заманауи модельдеу көбінесе аурудың таралу
динамикасын анықтау үшін дифференциалдық теңдеулерді қолданады. Бұл
модельдер Бэйлидің (1975) және Андерссон мен Бриттонның (2000)
еңбектерінде көрсетілгендей, аурудың таралуына тән кездейсоқтықты
көрсететін стохастикалық элементтерді қамтуы мүмкін. Ньюман (2002)
зерттеген желілік теорияны енгізу патогендердің берілуін жеңілдететін
адамдардың өзара әрекеттесуінің күрделі желісін қарастыру арқылы түсінуді
одан әрі жақсартады.
Соңғы жетістіктер деректер ғылымы мен есептеу қуатын біріктіріп,
агенттерге негізделген модельдер (ABMs) және күрделі желілік модельдер
сияқты күрделі модельдерді жасауға мүмкіндік берді. Мысалы, COVID-19
пандемиясы айтарлықтай өзгерістерге түрткі болды: зерттеушілер
модельдерді нақтылау және аурудың даму траекториясын болжау үшін нақты
уақыттағы деректерді пайдаланды. Көрнекті үлестерге Фергюсон және
басқалардың жұмыстары кіреді. (2020), ддұ әртүрлі араласу
стратегияларының салдарын жобалау үшін есептеу модельдерін қолданды.
Математикалық эпидемиология вирустық филогенетика бойынша
зерттеулерде көрсетілгендей, патогендердің эволюциясын бақылау және
болжау дәлдігін жақсарту үшін генетикалық деректерді қосу арқылы дамуын
жалғастыруда. Математика, биология және информатиканы біріктіретін осы
саланың пәнаралық сипаты оның қазіргі және болашақтағы эпидемияларды
басқарудағы маңыздылығын көрсетеді. Үздіксіз инновациялардың арқасында
математикалық модельдер жұқпалы аурулардың әсерін азайтуға бағытталған
жаһандық күш-жігердің таптырмас құралы болып қала береді.[1]

Іргелі математикалық модельдер

SIR Моделі
Sir (Suspective-Infectious-Recovered) моделі-ең қарапайым және кеңінен
қолданылатын модельдердің бірі. Ол халықты үш топқа бөледі:
S (t) - сезімтал адамдар,
I (t) - жұқтырған адамдар
R (t) - қалпына келтірілген адамдар.
Модель дифференциалдық теңдеулердің келесі жиынтығымен
басқарылады:

dS
=− βSI
dt
dI
=βSI −γI
dt
dR
=γI
dt

Мұндағы β-берілу жылдамдығы, ал γ-қалпына келтіру жылдамдығы.

β
Негізгі репродуктивті нөмір R0 , γ ретінде белгіленеді . Егер R0 >¿ 1 болса,
инфекция популяцияда таралуы мүмкін.
 1-сурет. Sir моделінің схемасы
Sir моделі
Sir моделі (сезімтал-сезімтал-жұқпалы-қалпына келтірілген)
жұқтырған, бірақ әлі жұқтырмаған адамдарға ашық E(t) бөлімін қосу арқылы
SIR моделін кеңейтеді. Бұл модель сипатталған:
dS
=− βSI
dt
dE
=βSI −σE
dt
dI
=σE - γI
dt
dR
=γI
dt
Мұндағы σ-жұқтырған адамдардың жұқпалы болу жылдамдығы.

Жағдайлық зерттеулер
2003 жылы SARS эпидемиясы
2003 жылы SARS эпидемиясы кезінде математикалық модельдер берілу
динамикасын түсінуде және күрес шараларын бағалауда шешуші рөл
атқарды. SAR моделін қолдана отырып, зерттеушілер SARS-тің 2-ден 5-ке
дейінгі жағдайларын бағалады, бұл таралу ықтималдығы жоғары. Оқшаулау
және карантин сияқты іс-шаралар олардың инфекцияның таралуын
төмендетудегі тиімділігін анықтау үшін модельденген.[2]
1-кесте: SARS үшін SEIR моделінің параметрлері
Параметр Құндылық
β 0.8
σ 1/5 күн
γ 1/10 күн
 COVID-19 пандемиясы
COVID-19 пандемиясына байланысты денсаулық сақтау шараларын
басқару үшін математикалық модельдеу кеңінен қолданылды. Алғашқы
модельдер карантиндік шаралар мен вакцинация стратегияларын ескере
отырып, вирустың ықтимал әсерін болжады. Мысалы, Фергюсон және
бірлескен авторлар (2020) жүргізген зерттеу Ұлыбританиядағы әртүрлі
араласулардың салдарын болжау үшін жас құрылымы бар SIR үлгісін
қолданды, бұл әлеуметтік алыстау мен карантиннің маңыздылығын атап өтті.

Сурет - 2. COVID-19 нақты жағдайлардың болжамы

Жетілдірілген модельдеу әдістері

Агенттерге негізделген модельдер
Агенттерге негізделген модельдер (ABM) жалпы жүйеге әсерін бағалау
үшін жеке агенттердің әрекеттері мен өзара әрекеттесуін модельдейді. Бұл
модельдер әсіресе гетерогенді популяциялар мен күрделі әлеуметтік
желілерді зерттеу үшін пайдалы. COVID-19 зерттеуі аурудың таралуына жеке
мінез-құлықтың әсері туралы түсінік алу үшін ABM әдістерін қолданды.[3]
Желілік модельдер
Желілік модельдер жеке тұлғаларды түйіндер түрінде, ал олардың өзара
әрекеттесуі графиктің шеттері түрінде ұсынады. Бұл модельдер әлеуметтік
байланыс құрылымының аурудың таралуына қалай әсер ететінін түсінуге
көмектеседі. Мысалы, Батыс Африкада Эболакиеті кезінде қолданылған
желілік модель инфекцияның одан әрі берілуіне жол бермейтін негізгі
тұлғалар мен байланыстарды анықтады.
Талқылау
Математикалық модельдеу эпидемияға дайындықты қамтамасыз етуде
және оларға жауап беруде шешуші рөл атқарады. Бұл модельдердің дәлдігі
мен сенімділігі деректердің сапасына және жасалған болжамдарға
байланысты. SIR және SEIR сияқты модельдер құнды ақпарат бергенімен,
abms және желілік модельдер сияқты күрделі әдістер икемділік пен
шынайылықты қамтамасыз етеді.
Python-да SEIR моделін енгізуді қарастырайық
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import odeint
beta = 0.8
sigma = 1/5
gamma = 1/10
N = 1000
I0, E0, R0 = 1, 0, 0
S0 = N - I0 - E0 - R0
def deriv(y, t, N, beta, sigma, gamma):
S, E, I, R = y
dSdt = -beta * S * I / N
dEdt = beta * S * I / N - sigma * E
dIdt = sigma * E - gamma * I
dRdt = gamma * I
return dSdt, dEdt, dIdt, dRdt
y0 = S0, E0, I0, R0
t = np.linspace(0, 160, 160)
ret = odeint(deriv, y0, t, args=(N, beta, sigma, gamma))
S, E, I, R = ret.T
plt.figure(figsize=(10, 6))
plt.plot(t, S, 'b', alpha=0.7, linewidth=2, label='Susceptible')
plt.plot(t, E, 'y', alpha=0.7, linewidth=2, label='Exposed')
plt.plot(t, I, 'r', alpha=0.7, linewidth=2, label='Infectious')
plt.plot(t, R, 'g', alpha=0.7, linewidth=2, label='Recovered')
plt.xlabel('Time (days)')
plt.ylabel('Number of individuals')
plt.legend(loc='best')
plt.title('SEIR Model Simulation')
plt.grid(True)
plt.show()

Қорытынды
Математиканы эпидемиологияға біріктіру жұқпалы ауруларды түсіну
және олармен күресу қабілетімізді айтарлықтай кеңейтті. Әртүрлі модельдер
арқылы зерттеушілер әртүрлі сценарийлерді модельдей алады, нәтижелерді
болжай алады және тиімді араласу стратегияларын жасай алады. Жаңа
проблемалар туындаған кезде математикалық модельдерді үнемі дамыту және
нақтылау қоғамдық денсаулықты сақтау үшін маңызды болады.
 Пайдаланылған әдебиеттер тізімі:
1. Ferguson, N. M., Laydon, D., Nedjati-Gilani, G., et al. (2020). Impact of
non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and
healthcare demand. Imperial College COVID-19 Response Team.
doi:10.25561/77482.
2. Kermack, W. O., & McKendrick, A. G. (1927). A contribution to the
mathematical theory of epidemics. Proceedings of the Royal Society A:
Mathematical, Physical and Engineering Sciences, 115(772), 700-721.
doi:10.1098/rspa.1927.0118.
3. Mizumoto, K., Chowell, G. (2020). Transmission potential of the novel
coronavirus (COVID-19) onboard the Diamond Princess Cruises Ship, 2020.
Infectious Disease Modelling, 5, 264-270. doi:10.1016/j.idm.2020.02.003.