Дослідження впливу різних факторів на рівень захворюваності під час пандемії за допомогою штучних нейронних мереж і мови програмування та аналізу даних R

Abstract

Розглядається проблема аналізу впливу різних факторів на рівень захворюваності під час пандемії. Сформульовано задачу розрахунку ефективності протиепідемічних заходів та змінення відсотка загально хворих у цілому та тих, хто переніс хворобу у тяжкій формі. Як вхідні фактори прогнозної моделі розглядаються "масковий режим", карантин, дистанційне навчання, можливість вакцинації, наявність обов’язкової вакцинації, відсоток вакцинованих. Вихідні фактори – це відсоток загально інфікованих та відсоток тих, хто отримав ускладнення після захворювання (в останньому випадку відсоток загально інфікованих додається до вхідних факторів). Також сформульовано задачу розрахунку впливу різних факторів на рівень захворюваності населення на прикладі статистики COVID-19 в низці країн (Бразилії, Німеччині, Японії, Україні та США). Було проведено аналіз основних вхідних факторів, таких як кліматичні умови, густота населення, вік населення, рівень вакцинації, соціально-економічні умови, чисельність населення та заходи протидії пандемії. Створено набори даних, які базуються на реальних показниках. Для розв’язання обох задач використано метод штучних нейронних мереж. Розроблено скрипт мовою програмування та аналізу даних R. The problem of analyzing the impact of various factors on the level of morbidity during a pandemic is considered. The task of calculating the effectiveness of anti-epidemic measures and changing the percentage of general patients in general and those who suffered the disease in a severe form is formulated. The input factors of the predictive model are considered to be the “mask regime”, quarantine, distance learning, the possibility of vaccination, the availability of mandatory vaccination, and the percentage of vaccinated people. The output factors are the percentage of total infected and the percentage of those who developed complications after the disease (in the latter case, the percentage of total infected is added to the input factors). The task of calculating the impact of various factors on the level of population morbidity was also formulated using the example of COVID-19 statistics in a number of countries (Brazil, Germany, Japan, Ukraine, and the USA). An analysis of the main input factors was conducted, such as climatic conditions, population density, population age, vaccination level, socio-economic conditions, population size, and measures to counter the pandemic. Data sets based on real indicators were created. The artificial neural network method was used to solve both problems. A script was developed in the R programming and data analysis language.