Прогнозирование эпидемий острых респираторных инфекций с использованием сигналов раннего предупреждения и моделей машинного обучения

Прогнозирование критических переходов в динамике заболеваемости эпидемическими инфекциями – важнейшая задача эпидемического надзора, влияющая на эффективность работы системы здравоохранения. Рассматривается использование методов детекции аномалий во временных рядах заболеваемости на основе искусственного интеллекта и сигналов раннего предупреждения (СРП) для предсказания моментов перехода от сезонных инфекций к эпидемическим вспышкам. Рассматриваются два основных подхода: метод на основе классификации, определяющий близость к критическому переходу, и метод на основе регрессии для прогнозирования будущей динамики инфекции. Различные модели машинного обучения, включая ансамблевые методы (Easy Ensemble, RUSBoost, Balanced Bagging), архитектуры глубокого обучения (Early Warning Signal Network (EWSNet), LSTM, GRU), применяются к данным двух типов: заболеваемости гриппом с маркировкой временных отрезков, соответствующих эпидемическим периодам согласно экспертным критериям, и заболеваемости COVID-19 без маркировки. Результаты показывают, что Easy Ensemble и EWSNet обеспечивают наилучший баланс между значениями метрик precision и recall. Рекуррентные нейронные сети эффективно моделируют динамику средних значений, но прогнозирование дисперсии показателей остается сложной задачей. Приведенные в статье результаты демонстрируют потенциал сочетания классических методов СРП с машинным обучением для улучшения прогнозирования эпидемий и поддержки принятия решений в здравоохранении.