Динамическое предсказание распространения ВГРД в реальном времени с использованием гибридной модели SEIRQ-ARIMA, оптимизированной многоступенчатым алгоритмом ABC-GWO

Почему это важно для повседневного здоровья

Болезнь «руки-рот-ноги» (ВГРД) — распространённое детское заболевание, которое незаметно создаёт нагрузку для семей, школ и больниц. Только в китайском регионе Гуанси в период с 2014 по 2020 год было зарегистрировано более 120 000 случаев, в основном у детей младше пяти лет. В этом исследовании поставлен практический вопрос: если совместить датчики в реальном времени, продвинутые алгоритмы и эпидемиологические модели, можно ли точнее предсказывать вспышки ВГРД и разумнее применять карантинные меры — экономя средства и избегая ненужных ограничений?

От простых кривых к умному прогнозированию

Традиционные эпидемиологические модели делят население на группы, такие как «восприимчивые», «заражённые» и «выздоровевшие», и используют фиксированные параметры, чтобы проследить, как вспышка развивается и затухает. Эти модели полезны для понимания общих тенденций, но они предполагают, что мир неизменен: что люди ведут себя одинаково круглый год, что погода не меняется и что меры контроля, такие как карантин, остаются постоянными. В реальности распространение ВГРД в Гуанси пиковой становится в влажное лето, снижается в более прохладные месяцы и растёт во время семейных поездок на праздники, такие как Праздник Весны. Модели с фиксированными параметрами с трудом отслеживали эти колебания, часто промахиваясь при прогнозе локальных кластерных вспышек, например в детских садах, более чем на 30 процентов.

Что видят датчики

Исследователи опирались на развивающуюся сеть «Интернета вещей», уже используемую в Гуанси. Сотни больниц, детских садов и транспортных узлов оснащены устройствами, отслеживающими температуру, влажность, плотность скоплений людей и их перемещения. Другие датчики контролируют, насколько соблюдаются карантинные меры — сколько детей остаются дома, как часто изоляция нарушается и как заполнены классы или залы ожидания. Эти потоки данных поступают в течение минут, сверяются с бумажными записями и достаточно точны, чтобы фиксировать эффекты вроде сокращения инкубационного периода ВГРД в аномально влажное лето. Короче говоря, датчики улавливают меняющиеся условия, которые ускоряют или замедляют распространение вируса.

Новый способ отслеживать болезнь

Используя эти данные, команда расширила классическую модель до схемы SEIRQ, добавив отдельную группу для заразных людей в карантине. Ключевые величины — насколько легко распространяется вирус, как быстро контактные дети заболевают, как быстро пациенты выздоравливают и какой процент заражённых детей эффективно изолирован — перестали рассматриваться как фиксированные. Вместо этого они меняются во времени под управлением показаний датчиков и официальных медицинских записей. Для настройки этой динамической модели авторы комбинировали два «вдохновлённых природой» метода оптимизации: один имитирует, как пчёлы исследуют и обмениваются информацией о источниках пищи, другой — как волки кооперативно охотятся на добычу. Работая поэтапно, «пчелиный» алгоритм исследует множество возможных комбинаций параметров, а «волчий» затем уточняет самые перспективные. Это помогает избежать застревания в вводящих в заблуждение локальных паттернах, скрытых в шумных реальных данных.

Сочетание физики и закономерностей

Даже тщательно настроенная модель болезни может оставлять необъяснённые колебания в данных — краткосрочные скачки и падения, вызванные школьными каникулами или внезапными волнами путешествий. Чтобы уловить эти тонкие временные закономерности, авторы объединили модель SEIRQ с хорошо известным статистическим инструментом прогнозирования ARIMA, который умеет улавливать повторяющиеся паттерны во временных рядах. Вместо того чтобы давать чёрному ящику нейросети скрывать происходящее, они прозрачно объединили обе модели: итоговый прогноз — это взвешенная смесь механистической кривой SEIRQ и предсказания ARIMA. При тестировании на данных ВГРД Гуанси за 2014–2020 годы такой гибридный подход почти полностью устранил ошибки прогнозирования: одна ключевая метрика ошибки сократилась примерно на 95 процентов по сравнению с использованием любой из моделей по отдельности.

Что это значит для карантинной политики

Поскольку модель явно учитывает карантин, она может перевести вопрос «насколько строгими мы должны быть?» в конкретные числа. Анализ показывает, что в Гуанси повышение эффективного уровня изоляции инфицированных детей примерно до 40 процентов может сократить пик волны ВГРД более чем наполовину, при этом обеспечивая благоприятное соотношение затрат и выгод — примерно одна единица расходов на почти девять единиц предотвращённых убытков. Значительное превышение этого уровня даёт убывающую отдачу и стремительно растущие расходы, тогда как снижение ниже этого порога оставляет множество предотвращаемых инфекций. Для лиц, принимающих решения, вывод прост и важен: связав данные датчиков с прозрачной, тщательно откалиброванной гибридной моделью, можно своевременно и адресно применять карантинные меры так, чтобы существенно уменьшать заболеваемость детей и нагрузку на систему здравоохранения, не прибегая к тотальным закрытиям.

Цитирование: Zeng, Z., Sathasivam, S., Xin, J. et al. Real-time dynamic prediction of HFMD transmission using SEIRQ-ARIMA hybrid model optimized by multi-stage ABC-GWO algorithm. Sci Rep 16, 9043 (2026). https://doi.org/10.1038/s41598-026-35833-7

Ключевые слова: Болезнь «руки-рот-ноги», IoT-мониторинг эпидемий, моделирование SEIR, прогнозирование временных рядов, оптимизация карантина