Оптимизация реакции на пандемию через стратегии вакцинации с использованием нейронных сетей

Почему важны более продуманные планы вакцинации

Пандемии заставляют правительства одновременно защищать общественное здоровье и поддерживать работу общества и экономики. В статье показано, как современные инструменты работы с данными помогают разрабатывать более продуманные планы вакцинации, которые не только спасают жизни, но и уменьшают совокупные затраты. На примере COVID-19 в Виктории (Австралия) авторы объединяют моделирование распространения инфекции, экономику и нейронные сети, чтобы найти графики вакцинации, которые работают лучше, чем простые правила или эпизодические решения.

Разложение вспышки на понятные блоки

Исследование начинается с описания того, как вирус распространяется в популяции. Вместо простого учёта здоровых, больных, выздоровевших или умерших авторы используют более подробную картину из восьми групп, включая вакцинированных, инфицированных, но ещё не проявивших симптомы, а также пациентов с лёгким течением, требующих госпитализации или интенсивной терапии. Такой многоуровневый подход позволяет связать число тяжёлых случаев с количеством больничных коек, использованием реанимации и смертями. Авторы также учитывают случайные колебания в темпах перехода между состояниями, отражающие неопределённость реальных вспышек и изменения условий со временем.

Приведение здоровья и расходов к единой метрике

Далее авторы накладывают на эту модель здравоохранения экономический ракурс. Они суммируют четыре типа затрат, с которыми сталкивается государство во время пандемии: закупка и доставка вакцин, выплата пособий на карантин, обеспечение работы системы здравоохранения и потеря экономической активности, когда люди не могут работать. В их модели основным инструментом политики является скорость вакцинации во времени. Изменяя темпы введения доз, правительство может сократить нагрузку на больницы и число смертей, но при этом увеличивает начальные расходы на кампанию. Модель сводит эти факторы в единый показатель суммарных расходов, чтобы разные планы вакцинации можно было сравнить на одинаковой основе.

Обучение нейронных сетей поиску лучших стратегий

Поскольку модель включает много состояний и случайные возмущения, стандартные математические методы оказываются слишком медленными или неточными. Чтобы справиться с этим, авторы обращаются к нейронным сетям — виду машинного обучения. Сначала они используют физически-информированную нейронную сеть для настройки эпидемиологической модели так, чтобы её смоделированные траектории соответствовали реальным данным по COVID-19 из Виктории. Этот шаг фиксирует, как быстро люди переходят между состояниями и насколько система подвержена случайному шуму. Затем вторая глубокая сеть обучается выступать в роли принимающего решения: в каждый момент времени она предлагает скорость вакцинации, модель симулирует развитие событий, и сеть корректирует свои решения, чтобы минимизировать суммарные расходы на здоровье и экономику.

Что показывает кейс о сроках и эффекте

Применив методику к данным по COVID-19 в Виктории, авторы сравнивают четыре сценария: отсутствие вакцинации, постоянная скорость вакцинации, фактическая программа правительства и оптимальная схема на основе данных. Лучший по результату план предполагает очень высокие темпы вакцинации на раннем этапе, с последующим постепенным снижением по мере падения числа инфекций. По сравнению с отсутствием вакцинации такой подход сокращает число дней нахождения в больнице более чем на 85 %, смертность — более чем на 80 %, а совокупные расходы примерно на 22 %. Он также превосходит реальные меры, дополнительно снижая нагрузку на госпитали, число смертей и общие траты на несколько процентных пунктов. Результаты указывают, что упреждающая ранняя волна вакцинации может окупиться позже меньшим числом тяжёлых случаев и меньшими экономическими потерями, несмотря на более высокие первоначальные расходы.

Как этот набор инструментов может поддержать будущие решения

За пределами COVID-19 авторы утверждают, что их рамки можно обновлять новыми данными и повторно применять для других некатастрофических эпидемий, например, гриппоподобных вспышек. Политики могут корректировать допущения о затратах, подставлять локальные данные и исследовать, как разные траектории вакцинации влияют одновременно на здоровье и бюджеты. Хотя этические вопросы и проблемы справедливости требуют отдельного рассмотрения, основной вывод прост: сочетая детализированные модели заболеваний с экономическим подходом и нейронными сетями, правительства могут разрабатывать планы вакцинации, которые одновременно более эффективны и более экономичны.

Цитирование: Zhai, C., Chen, P., Jin, Z. et al. Optimising pandemic response through vaccination strategies using neural networks. Sci Rep 16, 14815 (2026). https://doi.org/10.1038/s41598-026-45396-2

Ключевые слова: моделирование пандемии, стратегия вакцинации, нейронные сети, экономическая эпидемиология, политика в отношении COVID-19