Применение спатиального анализа показателей заболеваемости и смертности от COVID-19 (на примере Псковской области)
Ключевые слова
Аннотация
Возникновение и развитие пандемии нового коронавируса COVID-19 (SARS-CoV-2) помимо биомедицинских и организационных проблем поставили новые масштабные задачи создания и совершенствования математических и информационных технологий, обеспечивающих разнообразные операции с пространственными данными при статистическом анализе и прогнозировании. Выбор регионального уровня спатиального анализа заболеваемости и смертности от COVID-19 обусловлен наличием доступной статистики, а также данных о географических закономерностях, характеристиках пространства распространения (плотности населения, концентрации в одном городе, плотности транспортной сети, расстоянии до очага заболевания и т. д.). На примере Псковской области показано, что региональная система здравоохранения характеризуется существенным дефицитом кадров и заметной нехваткой ресурсов. Необходимо учитывать эти моменты при выработке эффективной, научно обоснованной политики в области здравоохранения, при проведении оценки имеющейся и перспективной инфраструктуры здравоохранения. Показано, что для адекватного моделирования на межрегиональном и региональном уровне перспективными являются модели, основанные на графах, тогда как для анализа процессов по отдельным населенным пунктам следует учитывать географическое распределение пациентов.
1. Бабурин В. Л., Земцов С. П. Регионы-новаторы и инновационная периферия России. Исследование диффузии инноваций на примере ИКТ-продуктов // Региональные исследования. 2014. № 3. С. 27—37.
2. Бабурин В. Л., Земцов С. П. Инновационный потенциал регионов России : монография. М., 2017.
3. Гохман В. В. Геоинформационные системы для здравоохранения и медицины // Век качества. 2012. № 3. URL: https://cyberleninka.ru/article/n/geoinformatsionnye-sistemy-dlya-zdravoohraneniya-i-meditsiny (дата обращения: 23.10.2022).
4. Земцов С. П., Бабурин В. Л. COVID-19: пространственная динамика и факторы распространения по регионам России // Известия РАН. Сер. Географическая. 2020. Т. 84, № 4. С. 485—505. doi: 10.31857/S2587556620040159.
5. Черкашин А. К., Лесных С. И., Красноштанова Н. Е. Геоинформационный мониторинг и математическое моделирование развития пандемии коронавируса COVID-19 // Информационные и математические технологии в науке и управлении. 2021. № 1 (21). С. 17—35. doi: 10.38028/ESI.2021.21.1.002.
6. В Псковской области осталось восемь очагов распространения COVID-19 // Деловой Петербург. URL: https://www.dp.ru/a/2021/01/12/V_Pskovskoj_oblasti_ostal (дата обращения: 23.10.2022).
7. Brauer F. Compartmental Models in Epidemiology // Brauer F., van den Driessche P., Wu J. (eds.). Mathematical Epidemiology. Lecture Notes in Mathematics, vol. 1945. Springer, 2008. doi: 10.1007/978-3-540-78911-6_2.
8. Florida R., Mellander C. The geography of COVID-19 in Sweden // The Annals of Regional Science. 2022. Vol. 68. Р. 125—150. doi: 10.1007/s00168-021-01071-0.
9. Kermack W. O., McKendrick A. G. A Contribution to the Mathematical Theory of Epidemics // Proceedings of the Royal Society of London. Ser. A: Containing Papers of a Mathematical and Physical Character. 1927. Vol. 115, № 772. Р. 700—721. doi:10.1098/rspa.1927.0118.
10. McLafferty S. L., Sara L. GIS and health care // Annual Rev. Public Health. 2003. P. 25—42.
11. Noble J. V. Geographic and temporal development of plagues // Nature. 1974. Vol. 250, № 5469. Р. 726—729. doi: 10.1038/250726a0.
12. Paeng S. H., Lee J. Continuous and discrete SIR-models with spatial distributions // J. Math. Biol. 2017. Vol. 74 (7). Р. 1709—1727. doi: 10.1007/s00285-016-1071-8.
13. Schærström A. Disease Diffusion // Kitchin R., Thrift N. (eds.). International Encyclopedia of Human Geography. Elsevier, 2009. P. 222—233.
14. Te Vrugt M., Bickmann J., Wittkowski R. Effects of social distancing and isolation on epidemic spreading modeled via dynamical density functional theory // Nat Commun. 2020. Vol. 11 (1). Art. № 5576. doi: 10.1038/s41467-020-19024-0.