WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

На правах рукописи

ГЕРАСИМОВ

Андрей Николаевич

МАТЕМАТИЧЕСКИЕ МОДЕЛИ СИСТЕМЫ «ПАРАЗИТ-ХОЗЯИН»

05.13.18 – Математическое моделирование, численные методы и комплексы программ

14.00.30 – Эпидемиология

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

доктора физико-математических наук

Москва - 2009

Работа выполнена в Московской медицинской академии имени И.М. Сеченова

Научные консультанты:

Доктор физико-математических наук 

В.Н. Разжевайкин

Доктор медицинских наук, профессор, член-корреспондент РАМН

Н.И. Брико

Официальные оппоненты:

Доктор физико-математических наук

В.В. Дикусар

Доктор физико-математических наук

Д.О. Логофет

Доктор технических наук

Б.В Боев

Ведущая организация -– учреждение Российской академии наук Институт системного анализа РАН

Защита диссертации состоится «___» _______ 2010 года

в ______ часов на заседании диссертационного совета Д 002.017.04 в Учреждении Российской академии наук Вычислительный центр им. А.А. Дородницына РАН по адресу:

119333, г. Москва, ул. Вавилова, в. 40

С диссертацией можно ознакомиться в библиотеке ВЦ РАН.

Автореферат разослан «___» _________ 2010 г.

Ученый секретарь  диссертационного

совета Д 002.017.04 д.ф.-м.н., профессор  Н.М. Новикова

Актуальность проблемы

Имитационное математическое моделирование - мощный метод исследования, который в последние годы все шире внедряется в медико-биологические исследования. Его особая важность для эпидемиологии инфекционных заболеваний связана с ограниченностью возможности проведения прямого экспериментального исследования, а также необходимостью анализа ситуации и прогнозирования в постоянно меняющихся условиях.

Борьба с инфекционными заболеваниями – одна из наиболее важных задач современного здравоохранения. Несмотря на постоянно расширяющийся спектр средств контроля и управления инфекционными болезнями, в том числе за счет разработки новых вакцин, инфекционные и паразитарные заболевания удерживают первое место среди причин смертности в мире,  опережая заболевания сердечно-сосудистой системы и новообразования. При этом появляются новые опасные заболевания, такие, как ВИЧ-инфекция, ТОРС, птичий и свиной грипп. Ряд известных инфекционных заболеваний возвращаются в новом, более грозном обличии.

Для анализа заболеваемости, направленного на поиск групп, времен и мест риска, факторов риска, разработки противоэпидемических мероприятий и анализа их качества и эффективности используется ретроспективный эпидемиологический анализ. Это – статистическая обработка данных о показателях заболеваемости и иных связанных с ней показателей и параметров. Поэтому такие актуальные задачи, как прогнозирование результатов новых противоэпидемических мероприятий в условиях быстрых беспрецедентных изменений социально-экономических и экологических условий жизни, находятся вне пределов применимости статистического анализа.

Так, для современной России характерны следующие особенности:

1. Резкое и существенное изменение социально-экономических условий жизни, приведшее к существенному изменению условий передачи и распространения ряда инфекционных болезней.

2. Изменение демографической структуры, значительное снижение рождаемости и уменьшение удельного веса лиц младших возрастов.

3. Появление новых средств вакцинопрофилактики и изменение схем ее применения.

4. Изменение возрастной структуры заболеваемости инфекциями, для которых во второй половине двадцатого века была начата массовая вакцинопрофилактика. В период до ее внедрения начала применения вакцинопрофилактики против данной болезни к старшему школьному возрасту у большинства люлдей жителей был вырабаотывалсяан естественный иммунитет против так называемых «детских « инфекций, так как практически все в той или иной форме этими болезнями уже переболевали. Проведение вакцинации части детей не только уменьшает общую заболеваемость, но и сдвигает ее на старшие возраста, в которых болезнь протекаетходит в более тяжелой форме.

54. Ограниченность финансирования медицины вообще и профилактической медицины в особенности. В этих условиях особенно важно уметь точно определять экономическую эффективность планируемых противоэпидемических мероприятий.

Поэтому крайне желательно иметь возможность достаточно точно оценивать последствия, в том числе и долгосрочные, от проведения тех или иных противоэпидемических мероприятий в меняющихся условиях, для чего  возможностей стандартного ретроспективного эпидемиологического анализа недостаточно.

Использование же методов математического моделирования имеет ряд преимуществ. Во-первых, анализ не ограничивается манипуляцией с показателями заболеваемости. Анализируются такие величины, как контактное число (среднее количество инфицированных лиц одним источником инфекции), величина сезонного колебания активности механизма передачи, уровень коллективного иммунитета и т. д. Эти показатели позволяют более прямым образом выйти на факторы риска. Во-вторых, использование математических моделей позволяет предсказывать результативность ранее не проводившихся мероприятий в беспрецедентно меняющихся условиях. В-третьих, использование этих методов для анализа позволяет получить теоретические результаты о системе «паразит-хозяин».

Цель исследования

Разработка и анализ набора математических моделей эпидемического процесса, расширяющих возможности ретроспективного эпидемиологического анализа.

Задачи исследования

1. Разработка терминов и понятий, необходимых для построения математических моделей «паразит-хозяин» применительно к инфекционным болезням человека. Классификация моделей по исходным предположениям, их приложение к реальным задачам.

2. Построение и анализ модели «паразит-хозяин» для антропонозного заболевания в бесконечной популяции с учетом гетерогенности популяции хозяина по индивидуальному риску инфицирования и заразности, периодических изменений активности механизма передачи и не полной изолированности популяции.

3. Построение и анализ модели эпидемического процесса для заболеваний с контактным числом менее единицы, в конечной популяции.

4. Построение и анализ модели эпидемического процесса антропонозного заболевания без выраженного постинфекционного иммунитета в конечной популяции с учетом сезонных изменений активности механизма передачи.

5. Построение и анализ модели эпидемического процесса антропонозного заболевания с иммунитетом в конечной популяции с учетом сезонных изменений активности механизма передачи.

6. Разработка методов анализа данных о заболеваемости на предмет выявления эпидемиологических особенностей, характерных для инфекционных заболеваний.

Научная новизна исследования

Настоящая работа посвящена исследованию л\динамики системы «паразит-хозяин» в очень общей постановке, которая ранее не исследовалась.

Во-первых, популяция хозяина предполагается состоящей из лиц, имеющих разные индивидуальные заразность и риски инфицирования, что может быть связано как с их индивидуальными особенностями, так и с особенностью поведения и принадлежностью к группам риска.

Во-вторых, популяция хозяина рассматривается как не полностью изолированная, а имеющая внешний источник инфицирования. Этим внешним источником может быть, например, контакт с членами другой популяции.

В третьих, учитывается, что активность инфицирования не обязательно постоянна, а может зависеть от времени года.

Было доказано, что для стационарных условий рассматриваемая система «паразит-хозяин» имеет единственное стационарное экспоненциально устойчивое решение, являющееся глобальным аттрактором. Для достаточно малых колебаний зависимости активности передачи из внешних и внутрипопуляционных источников  это справедливо и для периодических решений, однако получено, что при увеличении амплитуды колебаний периодическое решение с периодом, равным периоду колебаний констант, может потерять устойчивость и породить бифуркацию удвоения цикла. Кроме этого получено, что могут существовать и дополнительные периодические решения, например, с периодом в три раза большим периода колебаний.

Кроме этого была рассмотрена стохастическая система «паразит-хозяин», учитывающая конечность популяции, с учетом возможной периодичности условий и внешнего притока. Для нее получены аналитические результаты и оценки параметров для получающихся распределений по заболеваемости и количеству инфицированных. Получено, что рассматриваемая система обладает выраженными случайными флюктуациями даже при очень больших размерах популяции. Более того, получено, что для достаточно быстрых инфекций даже многомиллионные популяции недостаточны, чтобы препятствовать разрушению системы вследствие флюктуации на ноль.

Это резко отличается от ситуации, обычной для задач исследования динамики систем взаимодействующих биологических популяций, в которых даже для групп в несколько десятков особей случайные эффекты малосущественны.

На основании полученных результатов и моделей был предложен метод анализа фактических данных о заболеваемости, позволяющий определить, являются ли отдельные случаи заболевания независимыми или нет, то есть не носит ли заболеваемость некоторых особенностей, характерных для инфекционной заболеваемости.

Для анализа коротких временных рядов обычно используют автокорреляционную функцию и другие аналогичные методы, но в данном случае ее применение осложняется тем, что случайные флюктуации инфекционной заболеваемости имеют разные направления связи на разных промежутках. На коротких промежутках эта связь положительна, так как увеличение заболеваемости в данный момент времени увеличивает ожидаемое количество тех, кто от них заразится. Однако на больших промежутках эта связь отрицательна, так как увеличение заболеваемости вызывает уменьшение доли восприимчивых, что влечет дальнейшее снижение уровня заболеваемости.

Использование ряда других методов, таких, как расчет старшего показателя Ляпунова, оценка эффективной размерности системы, показателя Херста и пр., затрудняется небольшой длиной имеющихся рядов. Поэтому была предложена «упрощенная» версия анализа подобных показателей, основанная на анализе изменения размахов при группировке.

Практическая значимость работы

На основе полученных результатов о закономерности динамики системы «паразит-хозяин» предложен ряд новых методов ретроспективного эпидемиологического анализа, включая анализ независимости случаев заболевания на основе изменения размахов заболеваемости при изменении интервалов группировки.

Построенные модели хорошо воспроизводят основные закономерности фактической заболеваемости, в том числе и при изменении условий, что позволяет использовать их для решения задач оптимального планирования противоэпидемических мероприятий.

Полученные результаты представляют имеют также интерес для развития математических методов анализа медико-биологических систем.

Некоторые результаты, полученные в ходе подготовки данной работы, используются в преподавании спецкурса «Математическое моделирование в экологии и медицине», который автор в течение более чем десяти лет ведет в МИФИ (технический университет).

Апробация результатов работы

1. Доклад на заседании отдела ___________ ВЦ РАН от ____ декабр___я 20098 года

2. ДокладОсновные результаты работы были доложены на совместном заседании кафедры эпидемиологии и кафедры медицинской информатики и статистики ММА им. И.М. Сеченова от 15 декабря 2008 года.

Структура диссертации

Работа изложена на 266 страницах текста, состоит из введения, 4 глав, выводов, списка литературы из 252 источников (отечественных – 47, зарубежных – 205). Диссертация иллюстрирована 50 рисунками и 18 таблицами.В диссертации (239 страниц + список литературы), 18 таблиц и 50 рисунков. Список литературы содержит ___ источников.  См. форму написания раздела

Содержание работы

Во введении обоснована актуальность темы, сформулированы цели и задачи исследования, показана научная новизна и научно-практическая значимость работы.

В первой главе приведены некоторые имеющиеся фактические данные и теоретические воззрения по эпидемиологии инфекционных болезней, а также результаты работ по математическому моделированию системы «паразит-хозяин» и другим близким моделям взаимодействующих популяций.

Аналитический обзор показывает, что в последние десятилетия в эпидемиологии инфекционных болезней имеется существенный прогресс как в накоплении фактических данных, так и их теоретическом осмыслении. Однако наиболее часто для эпидемиологического анализа фактических данных используются методы статистического анализа, которые малопригодны в условиях постоянно и существенно меняющихся условий течения эпидемического процесса. Помимо этого имеются и работы, основанные на использовании математических моделей системы «паразит-хозяин», но для этого обычно используются крайне упрощенные модели, не соответствующие современным представлениям об эпидемическом процессе. Они не в полной мере воспроизводят фактическую заболеваемость, особенно в меняющихся условиях, и не позволяют достаточно точно оценить результат проведения противоэпидемических мероприятий.

Во второй главе приведена классификация математических моделей системы «паразит-хозяин» по переходам и состояниям, а также обсужден вопрос о применении модельных результатов для исследования фактических данных. При этом часто удобно использовать модели с небуквальным пониманием значений и смысла параметров. Так, например, дети, находящиеся  на грудном вскармливании  практически не участвуют в эпидемическом процессе. Поэтому можно исключить этот период, то есть считать «рождением» момент прекращения вскармливания, что имитируется некоторым сокращением продолжительности жизни членов популяции.

При рассмотрении внутрибольничной инфекции удобно использовать стандартную модель системы «паразит-хозяин», но понимая под выпиской пациента смерть, а под госпитализацией – рождение. Это вынуждает исследовать поведение исходных имитационных моделей системы «паразит-хозяин» при широком наборе значений параметров, в том числе и формально не соответствующих их возможным значениям для инфекционных болезней людей.

В третьей главе рассмотрена детерминированная модель системы «паразит-хозяин» в бесконечно большой популяции.

В первом параграфе рассмотрена хорошо известная модель МакКормика/Кендрика;

Здесь I – доля инфицированной части популяции, S – доля восприимчивой части популяции, γ-1 – продолжительность жизни, β-1 равна длительности инфекционного процесса от инфицирования до момента окончания выделения возбудителя во внешнюю среду (в этот промежуток времени нужно также добавить время пребывания возбудителя во внешней среде, которое в ряде случаев может быть существенным), а отношение R=α/β равно контактному числу, то есть к какому среднему количеству людей попадает возбудитель, выделенный одним инфицированным, так, что те из них, которые были восприимчивыми, станут инфицированными.

Далее проведено сравнение получаемых в рамках этой модели результатов с фактическими данными. Получено, что имеются резкие различия между величиной предсказываемой моделью заболеваемостью и фактическими данными.

Во втором параграфе рассмотрена модель «паразит-хозяин» с учетом возрастной структуры популяции паразита и получено, что отличия модельных результатов от фактических становится еще более существенным. Во втором и третьем параграфах рассмотрено следующее усложнение модели – с различиями в индивидуальной заразности и риске инфицирования, и показано, что учет этого фактора позволяет устранить отмеченные различия между модельными результатами и фактическими данными.

Четвертый параграф посвящен обсуждению понятию контактного числа R как количественной меры заразности возбудителя и активности механизма передачи, а также разным способам оценки его по фактическим данным.

В пятом параграфе обсуждается, что наблюдающаяся для многих инфекционных болезней зависимость заболеваемости от времени года есть следствие зависимости активности механизма передачи от времени года, и это может быть учтено в модели переходом от постоянного значения контактного числа к зависящему от времени в виде периодической функции с периодом в год. Далее проведены численные расчеты, и получено, что указанная модель дает два типа динамики – сходящихся к периодическому с периодом в один год решению и сходящемуся к периодическому с периодом в несколько лет решению:

Рис. 3.2 Пример решения, стремящегося к периодической с периодом в один год функции

Рис. 3.3 Пример решения с периодом в 3 года

Здесь I(t) – доля инфицированной части популяции во время t.

В шестом параграфе изложены результаты численного исследования изменения характера решения при увеличении амплитуды годовых колебаний R(t). При постоянном R или R с достаточно малыми колебаниями имеется единственное устойчивое периодическое с периодом в один год решения, к которому сходятся все другие решения с I>0. При увеличении амплитуды колебаний R это решение теряет устойчивость и происходит бифуркация удвоения цикла. Далее с увеличением амплитуды колебаний R  происходит еще несколько бифуркаций удвоения цикла. Кроме этого в некотором диапазоне колебаний R существуют дополнительные устойчивые решения с периодом в три года, которые тоже претерпевают бифуркации удвоения цикла, а также могут потерять устойчивость.

В седьмом параграфе аналитически исследована устойчивость периодического решения. Доказана:

Теорема. Периодическое решение I(t),S(t) устойчиво, если , и неустойчиво, если .

Интеграл по времени может быть также переписан в виде корреляционного соотношения:

       

где черточка – знак усреднения по времени (или математического ожидания, если рассматривать функции как случайные величины), k – коэффициент корреляции, σ - среднеквадратичное отклонение, а Var – коэффициент вариации (т.е. отношение среднеквадратичного отклонения к математическому ожиданию).

Таким образом, потеря устойчивости периодического решения наступает, если произведение коэффициента корреляции между активностью механизма передачи и заболеваемостью, коэффициента вариации активности механизма передачи и коэффициента вариации заболеваемости больше 1/R.

Следовательно, для смены знака неравенства нужно выполнение двух условий:

1. Активность механизма передачи и заболеваемость должны иметь большие коэффициенты вариации.

2. Активность механизма передачи и заболеваемость должны иметь положительный (и не слишком маленький) коэффициент корреляции.

Доказана:

Теорема. Пусть R(t)=R0+ε×sin(ωt), ε<<1, где время измеряется в длительностях инфекционного заболевания 1/β. Тогда решения (в приближении малых отклонений) системы (6) имеют вид

где коэффициенты удовлетворяют системе

Пусть, например, средняя длительность инфекционного процесса – 5 дней, среднее значение R равно 7 и среднее время жизни – 70 лет. Тогда , , , ,, .

Таким образом, если взять амплитуду внутригодовых колебаний контактного числа R всего в один процент, то амплитуде внутригодовых колебаний I составит более 25%.

Из полученных данных следует, что для получения значительных внутригодовых колебаний доли инфицированных (а, следовательно, и заболеваемости) достаточно малых внутригодовых колебаний активности механизма передачи, то есть даже для инфекций, у которых заболеваемость в течение года меняется в 10 раз и более, сезонные надбавки активности механизма передачи могут составлять всего лишь несколько процентов.

Полученные величины амплитуды внутригодовых колебаний заболеваемости, а также соотношение между коэффициентами b1 и b2 (то есть величина «запаздывания» момента максимальной заболеваемости по отношению к моменту максимальной активности механизма передачи) существенно зависит от длительности заболевания. Это объясняет, почему в условиях одной популяции инфекции с близкими особенностями передачи возбудителя, такие, как корь, дифтерия, эпидемический паротит, коклюш и др. имеют разное время наступления максимальной заболеваемости и разную выраженность внутригодовых колебаний заболеваемости.

В восьмом параграфе приводятся примеры использования полученных соотношений для анализа фактической заболеваемости, а также результатов проведения противоэпидемических мероприятий.

Приведена

Таблица 3.8.1 Зависимость длины цикла многолетних колебаний от контактного числа R и средней длительности от инфицирования до окончания выделения возбудителя t в днях

t\R

2

3

4

5

7

10

5

6,2

4,3

3,6

3,1

2,5

2

7

7,3

5,1

4,2

3,7

3

2

10

8,7

6,1

5,1

4,4

3,6

2,7

14

10,4

7,3

6

5,1

4,2

3,5

17

11,6

8,1

6,6

5,7

4,6

3,8

21

12,7

9

7,3

6,4

5,2

4,3

24

13,8

9,6

7,9

6,8

5,5

4,6

28

14,6

10,4

8,4

7,2

6

5,1

31

15,3

11

8,9

7,8

6,3

5,3

35

16,6

11,6

9,6

8,1

6,7

5,7

Необходимую для анализа длительность инфекционного периода можно брать из следующей таблицы:

Таблица 3.8.2 Длительность минимального (мин), среднего (сред) и максимального (макс) стерильного и заразного периодов в днях для некоторых инфекционных болезней

Нозологическая форма

Длительность (в днях) промежутка

от заражения до начала выделения возбудителя

от начала выделения возбудителя до окончания

мин

сред

макс

мин

сред

макс

Вирусный гепатит А

2

16

38

34

44

58

Корь

8

9

28

7

7

14

Коклюш

2

5

16

27

40

46

Дифтерия

1

2

5

15

20

45

Краснуха

7

7

8

12

21

27

Ветряная оспа

6

10

21

9

14

16

Эпидемический паротит

9

15

24

7

9

11

На основании изложенных моделей, а также фактических данных о заболеваемости корью в г. Москве и эффективности вакцинопрофилактики рассчитана динамика изменения возрастной структуры восприимчивых к кори жителей Москвы:

Рис. 3.8 Зависимость доли восприимчивых к кори от возраста в Москве зав разные годы

В девятом параграфе сформулирована обобщенная гетерогенная модель системы «паразит-хозяин» для не полностью изолированной популяции:

Здесь - индивидуальная восприимчивость, - индивидуальная заразность, V – интенсивность инфицирования из источников вне популяции. Считается, что независимо от характера демографической динамики пропорции распределения особей на множестве остаются постоянными и определяются некоторой вероятностной мерой . Доли восприимчивых и инфицированных являются мерами, абсолютно непрерывными относительно с функциями распределения, задаваемыми динамикой распространения инфекции.

,

.

Здесь - измеримое множество.

С учетом содержательного смысла констант считается, что β>γ.

Показано, что решения данной системы при продолжении по времени в положительную сторону не выходят из области «физичных» значений 0≤s(x,y)≤1, 0≤i(x,y)≤1, 0≤s(x,y)+i(x,y)≤1, и что в этом случае и при и i равномерно экспоненциально стремится к непрерывной по x функции. Поэтому при рассмотрении поведения системы на больших промежутках времени можно сократить размерность пространства параметров распределения, считая, что и s не зависят от y, и перейти к системе

                                       (15)

где и - доли инфицированных и восприимчивых, которые с учетом изложенного выше являются непрерывными функциями, а

есть линейный ограниченный функционал от I. Так как в системе (15) активность механизма передачи α и функционал J встречаются только в виде произведения, то для определенности и без потери общности будем требовать выполнение условия J(1)=1. Будем рассматривать систему (15) как обыкновенное дифференциальное уравнение в пространстве вектор-функций с ограниченной нормой .

Приведенные выше для случая двух параметров рассуждения позволяют сделать вывод об инвариантности относительно системы (15) при возрастании времени треугольника . Как видно, отсюда следует неограниченная продолжаемость вперед по времени решений этой системы с начальными условиями из этого треугольника.

В десятом параграфе доказано, что у системы (15) существует выпуклое компактное инвариантное подмножество.

Из этого следует, что у системы (15) при периодическом с периодом T R(t) существует периодическое с периодом T решение, так как множество , удовлетворяет всем условиям теорем о неподвижных точках непрерывных автоморфизмов в банаховых пространствах, иостается только в качестве такого автоморфизма выбрать отображение монодромии (т.е. отображение начальных условий за один период). Неподвижная точка этого отображения является начальной точкой периодического решения системы (15).

Доказано также, что при постоянном R система (15) имеет единственное стационарное решение, являющееся глобальным аттрактором в множестве .

В одиннадцатом параграфе доказана

Теорема. В случае периодических с периодом T коэффициентов , и , мало отличающихся от постоянных, доставляющих системе (15) экспоненциально устойчивое стационарное решение, система (15) имеет периодическое с тем же периодом экспоненциально устойчивое решение.

Доказано также, что для достаточно малых периодических колебаний коэффициентов α и V периодическое решение, существование и единственность которого доказана выше, является не только локальным, но и глобальным аттрактором.                                        

Теорема. В автономном случае решения системы (15) с начальными условиями 0≤S(x,0)≤1, 0≤I(x,0)≤1, 0≤ S(x,0)+I(x,0)≤1 стремятся к стационарному.

Теорема. Для достаточно малых периодических колебаний с периодом T коэффициентов α и V любое решение (15) с начальными условиями стремятся к одному и тому же периодическому решению с периодом T.

В двенадцатом параграфе обсуждается, что переход от гомогенной модели к гетерогенной не привел к качественному изменению динамики поведения системы, но значительно изменил предсказываемые ею уровни заболеваемости и доли восприимчивых, сняв отмеченное выше грубое противоречие между модельными результатами и фактическими данными.

В качестве примера существенности влияния учета гетерогенности по на качественные характеристики поведения системы рассчитаны бифуркационные диаграммы.

Взят случай заболевания с продолжительностью нахождения в инфицированном состоянии в 7 дней, средней продолжительностью жизни в 70 лет, средним контактным числом в 10, постоянным внешним притоком V=0,00001 (при котором внешний занос дает примерно 2% заболеваемости) и синусоидальными колебаниями α с периодом в один год. В качестве параметра взят отношение амплитуды α к ее среднему значению.

Для рассчитанной динамики определено отношение числа инфицированных за эпидемический год к максимально возможному их среднему числу, равному в данном случае 1/70 части популяции. В качестве начала эпидемического года для случая периодического решения с периодом год берется время наступления минимальной заболеваемости, для случаев решения с периодом в несколько лет – время минимальной средней за эти годы заболеваемости.

В качестве второго примера рассмотрена модель с теми же параметрами, но с равномерным распределением по индивидуальной восприимчивости x на отрезке [0,xmax] и индивидуальной заразностью, не зависящей от восприимчивости.

В результате имеем:

Рис. 3.12.1 Бифуркации гомогенной системы в зависимости от амплитуды α(t).

Рис. 3.12.2 Бифуркации гетерогенной системы в зависимости от амплитуды α(t).

Видно, что общий характер решений не изменился. Несколько увеличилась критическое значение амплитуды колебаний α(t), при котором дополнительное решение с периодом, кратным трем, теряет устойчивость, и уменьшились величины амплитуды колебаний α(t), при которых у основного решения происходят повторные бифуркации. Видно также, что введение гетерогенности снижает средний уровень многолетней заболеваемости. В большинстве случаев оценка базового показателя R без учета гетерогенности приводит к его неточной оценке, что, в частности, не дает правильно рассчитать эффективность вакцинопрофилактики, требуемую для элиминации возбудителя.

Четвертая глава посвящена исследованию стохастической модели системы «паразит-хозяин». Случайность появляется из-за того, что в  рассмотренных выше моделях учитывается конечность популяций паразита и хозяина.

В математическом моделировании динамики биологических сообществ стохастические эффекты учитываются редко. Причина этого в том, что в рассматриваемых системах вызванные случайными флюктуациями отклонения от детерминированного решения быстро уменьшаются и на качественную или количественную динамику заметного влияния не оказывают и поведение даже небольших популяций в сотни особей очень близко к бесконечной детерминированной модели. Для небольших популяций считаются более существенными не стохастические, а чисто биологические аспекты, связанные с близкородственным скрещиванием и генетическим оскудением популяции.

Рассматриваемая же система «паразит/хозяин» отличается тем, что взаимодействующие популяции имеют совершенно разные временные масштабы изменения состояния. Для популяции хозяина изменение коллективного иммунного статуса популяции связано с обновлением популяции и имеет характерный масштаб в длительность жизни членов популяции. Для второго компонента характерное время – длительность смены хозяина в цепочках последовательных инфицирований, то есть от нескольких дней. Такое различие характерных времен на несколько порядков приводит к значительному накоплению флюктуаций и значительно большей стохастичности этой системы по сравнению с большинством биологических систем.

Вначале рассмотрен случай, когда численность популяции хозяина столь велика, что может считаться бесконечной, а количество инфицированных конечно. Это, в частности, может быть в двух случаях:

Среднее количество инфицируемых от одного инфицированного R равно 1. Например, рассмотрение динамики заболеваемости некоторым клоном (штаммом,…), составляющим малую долю общей популяции возбудителя, но имеющей с ней перекрестный иммунитет. В этом случае коллективный иммунный статус регулируется общей заболеваемостью, а динамика количества инфицированных этим клоном – случайное блуждание, не регулируемое обратной связью через иммунитет.

R < 1, но существует внешний источник инфицируемых.

Второй случай бесконечной популяции с конечным заносом и отсутствием существенного влияния постинфекционного иммунитета на эпидемический процесс соответствует большой популяции и «заносной» инфекции, т.е. инфекционным заболеваниям, основной резервуар для которых находится вне рассматриваемой большой по численности популяции, в которую попадает небольшое количество «первичных» зараженных от внешнего источника и которые в свою очередь могут заражать некоторое количество «вторичных» членов внутри популяции, но без развития массивного инфицирования значительной части популяции, приводящей к выработке заметного коллективного иммунного статуса. Так как в этом случае количество «первичных» и «вторичных» случаев много меньше численности популяции и эта популяция большая, то можно пренебречь ее конечностью и фактом выработки иммунитета у малой части популяции. Ко второму случаю относятся также случаи, когда основной резервуар – группа риска небольшой численности, а рассматривается распространение заболевания вне этой группы риска.

В первом параграфе выведено уравнение динамики для рассмотренных случаев:

               (1)

Здесь pk(t) - частота эпидемических процессов с количеством инфицированных k в момент времени t.

Более удобный вид система приобретает, если от вероятностей перейти к моментам. Положим , тогда

В правой части присутствуют члены степени m+1, однако для любого m после раскрытия скобок и приведения подобных члены высшей степени взаимоуничтожаются и получается сумма членов степени m и ниже. Таким образом имеем более удобную для анализа треугольную систему обыкновенных дифференциальных уравнений. В частности, для первых моментов имеем:

Таким образом, для первого случая при R со средним по времени, равным единице, даже при V=0 моменты начиная со второго неограниченно возрастают со временем.

Если R постоянно и меньше единицы, то во втором случае стационарное состояние можно найти из рекуррентных соотношений

Во втором параграфе для случая со средним по времени от R, равным единице, и отсутствии внешнего заноса исследована вероятность обнуления.

В классическом случае постоянного R=1 это хорошо исследованный случай случайного блуждания. Для него при начальном условии p1(0)=1 вероятность элиминации к времени t (т.е. p0(t)) равна , откуда при начальном условии pn(0)=1 из-за независимости для рассматриваемого случая процессов, «растущих» из разных начальных индивидов

                                                                       

Доказана лемма относительно решения уравнения

                                                                       

Лемма. Решения этого уравнения имеют вид , где , а .

Доказана:

Теорема. Для решений системы (1) с начальным условием p1(0)=1 при V=0 и R(t) – непрерывной периодической функции со средним по периоду T, равным 1, существует b>0, такое, что .

В процессе доказательства получены также формулы для вычисления: , где .

В третьем параграфе доказаны теоремы:

Теорема. Пусть R и V непрерывные неотрицательные периодические функции с одинаковым периодом T, причем среднее от R меньше 1, а V не равно тождественно нулю. Тогда

1. Для любого начального значения S1(0) решение задается формулой

                                                       

2. Существует единственное периодическое решение .

3. Это решение устойчиво. Более того, для данных R, V и t существуют такие положительные a и b, что для любого t1 и любого другого решения S1(t)

Теорема. Пусть R и V непрерывные неотрицательные периодические функции с одинаковым периодом T, причем среднее от R меньше 1. Тогда

1. Существует единственное периодическое решение рассматриваемой системы

2. Для любого начального значения распределения из пространства быстро убывающих функций pk(0) решение системы сходится к этому периодическому сильно в метрике l2.

Полученные условия сходимости для распределений - слабее, чем для моментов. Показано, что усилить их до равномерной оценки (т.е. что для любого ε существует T такое что для любого начального распределения и времени t>T разница между вероятностями у распределения и предельного распределения меньше ε) нельзя.

В четвертом параграфе для случая постоянных R<1 и V исследована форма стационарного распределения, существование и устойчивость которой была доказана выше.

Из полученных выше соотношений легко получить, что при R→0 распределение количества инфицированных стремится к распределению Пуассона.

В качестве меры отличия распределения от распределения Пуассона взята , где qk – вероятность равенства k для распределения Пуассона с тем же математическим ожиданием. Заметим, что, строго говоря, данная величина не является мерой в смысле, принятой при определении метрических пространств, так как не является симметричной. Рассчитана: 

Таблица 4.4.1. Отличие ρ фактического стационарного распределения от Пуассоновского в зависимости от контактного числа R и интенсивности внешнего притока V

V \ R

0,1

0,3

0,5

0,7

0,9

0,95

0,97

0,99

0,01

5,9 .10-4

2,5 .10-3

6,3 .10-3

0,017

0,082

0,2

0,39

1,3

0,03

1,8 .10-3

7,7 .10-3

0,02

0,054

0,29

0,71

1,19

1,39

0,1

6,8 .10-3

0,029

0,076

0,21

0,95

1,26

1,12

0,92

0,3

0,023

0,098

0,25

0,57

0,83

0,79

0,83

0,9

1

0,053

0,17

0,30

0,44

0,65

0,75

0,81

0,89

3

0,043

0,14

0,26

0,41

0,64

0,74

0,80

0,88

10

0,042

0,14

0,25

0,40

0,64

0,74

0,79

0,88

30

0,042

0,14

0,25

0,40

0,63

0,74

0,79

0,88

100

0,042

0,14

0,25

0,40

0,63

0,74

0,79

0,88

Для любого R при увеличении V разница между фактическим и теоретическим распределениями приближается к зависящей от R константе. Это объясняется тем, что фактическое распределение при увеличении V (по центральной предельной теореме) стремится к нормальному распределению с математическим ожиданием, равным S1=V/(1-R) и дисперсией, равной , а Пуассоново распределение при увеличении математического ожидания стремится к нормальному с тем же математическим ожиданием, но дисперсией равной средней, т.е. V/(1-R). Таким образом, предел различия - различие между двумя нормальными распределениями с одинаковым математическим ожиданием и разными дисперсиями.

Для решения стандартной для эпидемиологии задачи определения достоверности различия заболеваемости рассчитана следующая таблице, в которой приведены минимальные значения n, при которых p0 + ... + pn превосходят 0,05 (верхняя строка) и 0,95 (нижняя строка):

Таблица 4.4.3. Минимальные значения n для вероятностей 0,05 (верхняя строка) и 0,95 (нижняя строка) в зависимости от контактного числа R и интенсивности внешнего притока V

V \ R

0,1

0,3

0,5

0,7

0,9

0,95

0,97

0,99

0,01

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,03

0

0

0

0

0

0

0

1

0

1

0

2

0

4

0

12

0,1

0

1

0

1

0

1

0

2

0

6

0

12

0

20

0

58

0,3

0

2

0

2

0

3

0

5

0

14

0

28

0

46

0

137

1

0

3

0

4

0

6

0

10

0

30

1

60

1

101

5

299

3

1

7

1

9

1

12

2

21

8

63

16

126

27

210

81

630

10

6

17

7

22

11

31

18

52

54

157

109

324

181

523

542

1570

30

24

44

31

56

43

79

72

132

216

395

432

790

719

1318

2159

3961

100

93

130

120

167

168

234

255

355

842

1169

1676

2333

2797

3872

8356

11646

В следующей таблице приведены значения p0. Они имеют прозрачную практически важную интерпретацию: это доля времени, в течение которого в популяции нет ни одного инфицированного.

Таблица 4.4.4. Величина p0 ­ в зависимости от контактного числа R и интенсивности внешнего притока V

V \ R

0,1

0,3

0,5

0,7

0,9

0,95

0,97

0,99

0,01

0,9895

0,9882

0,9862

0,9829

0,9747

0,969

0,9645

0,9545

0,03

0,9689

0,965

0,9593

0,9497

0,9261

0,9097

0,8965

0,8697

0,1

0,9

0,8879

0,8705

0,842

0,7742

0,7291

0,6956

0,628

0,3

0,7290

0,7

0,6598

0,5969

0,4641

0,3877

0,3374

0,2477

1

0,3487

0,3045

0,25

0,1791

0,0774

0,0427

0,0268

0,0095

3

0,0424

0,0283

0,0156

0,0574

4,6.10-4

7,8.10-5

2.10-5

8,7.10-7

10

2,7.10-5

6,9.10-6

9,5.10-7

3,4.10-8

7,7.10-12

2.10-14

2.10-16

6,3.10-21

30

1,9.10-14

3,2.10-16

8,7.10-19

3,9.10-23

4,6.10-34

7,6.10-42

В пятом параграфе продолжен анализ задачи определения достоверности различий заболеваемости для инфекций с R<1 в случае, когда R и V зависит от времени года.

Получены выражения:

где D – дисперсия количества инфицированных, а μ3 – третий центральный момент.

Например, если взять β=20 (что соответствует длительности инфекционного процесса около 2 недель), постоянное R и , то получим следующие решения:

Рис. 4.4.1 Зависимость математического ожидания количества инфицированных от времени при постоянном R и для β=20.

Рис. 4.4.2 Зависимость дисперсии количества инфицированных от времени при постоянном R и для β=20. 

Рис. 4.4.3 Зависимость третьего центрального момента количества инфицированных от времени при постоянном R и для β=20.

Рис. 4.4.4 Зависимость четвертого центрального момента количества инфицированных от времени при постоянном R и для β=20.

Таким образом, одномоментное количество инфицированных распределено сильно некомпактно и асимметрично, из-за чего сходимость к нормальному распределению будет только при очень больших значениях внешних заносов V.

Еще больше разброс увеличится в том случае, если взять R не постоянным, а пропорциональным V, то есть считать, что от времени года одинаково зависит активность передачи как в популяцию из внешних источников, так и внутри популяции.

Рис. 4.4.5 Зависимость математического ожидания количества инфицированных от времени при и R, пропорциональном V, для β=20.

Рис. 4.4.6 Зависимость дисперсии количества инфицированных от времени при и R, пропорциональном V, для β=20.

Рис. 4.4.7 Зависимость третьего центрального момента количества инфицированных от времени при и R, пропорциональном V, для β=20

.

Рис. 4.4.8 Зависимость третьего центрального момента количества инфицированных от времени при и R, пропорциональном V, для β=20.

В шестом параграфе рассмотрена задача определения достоверности различий заболеваемости с учетом того, что не все случаи инфицирования регистрируются.

В седьмом параграфе приводится пример использования полученных результатов для анализа заболеваемости малярией и брюшным тифом в городе Москве.

В восьмом параграфе рассмотрен расчета достоверности различий заболеваемости для случая, когда регистрируется лишь небольшая доля случаев инфицирования. Приведен пример расчетов для заболеваемости ВГА.

В девятом параграфе предложен алгоритм кратковременного прогнозирования заболеваемости. Его точность и границы применимости обсуждаются в десятом и одиннадцатом параграфе.

В двенадцатом параграфе рассмотрена модель инфекции без иммунитета в конечной популяции численности N. Для нее динамика вероятностного распределения задается как

Данная конечная система имеет ненулевое невозвратное состояние. Поэтому для анализа формы стационарного распределения добавим возврат из нулевого состояния с малой вероятностью и перейдем к системе

Для данной системы рассмотрим «обрезанное» распределение, получающееся в пределе при уменьшении ε, если невозвратное нулевое состояние отбрасывать, а оставшиеся вероятности нахождения в других состояниях – нормировать. Доказана:

Теорема. Для постоянного R при N→∞ «обрезанное» распределение pk стремится к нормальному в том смысле, что для любого ε>0 существует M такое, что для любого N>M и любого числа x вероятности событий P(ξ<x) для фактического и соответствующего нормального распределения отличаются не более чем на ε.

Для предельного распределения вычислены также значения моментов. Пусть . Тогда U имеет смысл разницы между математическим ожиданием и модой. Тогда .

Для больших N и , и коэффициент вариации порядка , то есть отличается от аналогичного коэффициента для случая заносной инфекции без вторичных случаев в . Для центрального третьего момента имеем .                Итак, при больших N распределение нормально, и вероятности можно вычислить по полученным выше аналитическим формулам для мат. ожидания и дисперсии. При малых же N, распределение при которых явно ненормально, вероятности легко получить по рекуррентным формулам. Кроме формы «обрезанного» распределения интересно также длительность его существования до элиминации. Так как динамика перехода в невозвратное нулевое состояние описывается уравнением , то величина p1(t)-1 имеет смысл характерного времени существования системы до ее элиминации, измеряемого в длительностях перехода инфекции от хозяина к хозяину. Расcчитанная величина p1 приведена в нижеследующей таблице:

Таблица 4.12.1. Величины p1 «обрезанного» распределения в зависимости от контактного числа R и численности группы N.

N \ R

2

3

5

7

10

5

0,233

0,128

0,0437

0,0178

6 . 10-3

10

0,0777

0,0185

1,13 . 10-3

1,15 . 10-4

7,98 . 10-6

20

0,0147

3,82 . 10-4

5,12 . 10-7

3,12 . 10-9

9,32 . 10-12

50

8,18 . 10-5

1,52 . 10-9

2,36 . 10-17

3,27 . 10-23

7,93 . 10-30

100

7,81 . 10-9

9,11 . 10-19

8,9 . 10-35

1,06 . 10-46

3,93 . 10-60

200

4,62 . 10-17

2,26 . 10-37

8,87 . 10-70

7,81 . 10-94

6,8 . 10-121

500

5,06 . 10-42

1,9 . 10-93

4,87 . 10-175

1,73 . 10-235

1,96 . 10-303

Из таблицы видно, что группы уже в несколько десятков членов имеют весьма длительное характерное время до самопроизвольной элиминации.

В следующей таблице приведем величины доверительных границы для двусторонних оценок при нескольких доверительных вероятностях. Так как нас интересует близость этих величин у фактического и нормального распределения, то для большей сопоставимости сгладим кусочно-непрерывную функцию распределения дискретной фактической случайной величины линейным сплайном, а значения будем представлять в единицах t (то есть отклонения от математического ожидания, деленные на среднеквадратичное отклонение).

Таблица 5.12.2. Доверительные границы распределения при R=5 в зависимости от численности группы N и вероятности p

нижние

верхние

N\р

0,95

0,99

0,999

0,95

0,99

0,999

5

-2,846

-3,259

-3,351

0,94

1,001

1,015

10

-2,652

-3,57

-4,621

1,319

1,441

1,469

20

-2,448

-3,255

-4,343

1,484

1,88

2,029

50

-2,272

-3,011

-3,935

1,637

2,127

2,554

100

-2,171

-2,894

-3,752

1,747

2,247

2,8

200

-2,115

-2,796

-3,622

1,806

2,348

2,948

500

-2,057

-2,72

-3,502

1,863

2,43

3,075

В тринадцатом параграфе рассмотрен случай инфекции без иммунитета в конечной популяции при периодическом R(t). Для «обрезанной» системы доказана теорема о существовании, единственности и экспоненциальной устойчивости периодического решения с периодом в один год, к которому стремятся все решения. Приведены таблицы моментов и доверительных границ.

В параграфе четырнадцать изложенные результаты использованы для анализа заболеваемости венерическими болезнями.

В пятнадцатом параграфе выведена система, задающая динамику для конечной стохастической модели для основного случая – инфекции с иммунитетом:

Здесь P(n(t),I(t)) - плотность распределения процессов с количеством восприимчивых n и инфицированных I в популяции численностью N.

В шестнадцатом параграфе рассмотрена динамика малых случайных флюктуаций для системы, когда численность N – большое, но не бесконечно большое число.

С точностью до малых следующего порядка малости динамика случайных флюктуаций описывается системой

               (37)

где - независимые нормально распределенные случайные величины с нулевыми математическими ожиданиями и дисперсиями, равными соответственно , и , а - решение детерминированной системы.

Систему (37) можно также записать в виде

                                       

При этом система представляет из себя уравнение в вариациях для изученной выше детерминированной системы, и ее решения были исследованы ранее.

Изучим теперь распределение случайных флюктуаций детерминированного решения. Если решение детерминированной системы неустойчиво, то его вариации растут, следовательно, предположение о малости случайных флюктуаций через некоторое время перестанет быть справедливым. Поэтому решение системы имеет смысл изучать только для устойчивого детерминированного решения .

В семнадцатом параграфе доказано, что решения (j,s) системы (37) с начальными условиями j(0)=0, s(0)=0 для любого t>0 распределены нормально с нулевым математическим ожиданием.

Далее доказана:

Теорема. В приведенных предположениях для решения системы (37) с при t→+∞ M(j)→0, M(s)→0, а распределение ζ(t)=<j(t),s(t))> для t=nT при t→+∞ стремится к пределу, не зависящему от начального значения.

В восемнадцатом параграфе обсуждается еще одна частая для эпидемиологии задача – как по имеющейся динамике заболеваемости определить, является ли болезнь инфекционной или нет. Для этого предложено анализировать величину нарастания размахов заболеваемости при увеличении временного интервала суммирования показателей.

В результате анализа данных о смертности в городе Москве было получено, что для некоторых причин смерти от сердечно-сосудистой патологии в городе Москве динамика смертности имеет некоторые черты, характерные для инфекционных заболеваний.

Выводы

1. Разработан набор терминов и понятий, необходимых для построения математических моделей «паразит-хозяин» применительно к инфекционным болезням человека с учетом гетерогенности членов популяции хозяина по индивидуальному риску инфицирования и заразности.

2. Построена и проанализирована модель «паразит-хозяин» для антропонозного заболевания в бесконечной популяции с учетом гетерогенности популяции хозяина по индивидуальному риску инфицирования и заразности, периодических изменений активности механизма передачи и не полной изолированности популяции. Для нее доказано, что для достаточно малых периодических с периодом в один год колебаний активности механизма передачи и интенсивности внешнего притока существует единственное периодическое с периодом в год экспоненциально устойчивое решение, являющееся глобальным аттрактором.  Получены критерии потери устойчивости периодического решения., пПоказано, что для достаточно больших амплитуд колебаний могут существовать другие устойчивые решения с периодом в несколько лет. При этом могут быть как решения, получающиеся из основного решения бифуркациями удвоения цикла, так и иные, например, с периодом в три года.

3. Построена и проанализирована модель эпидемического процесса для заболеваний с контактным числом не более единицы в конечной популяции. Для случая конечного количества инфицированных в бесконечно большой популяции получены выражения для динамики вероятностей и динамики моментов, значения моментов предельного распределения, а также вероятности обнуления процесса.

4. Построена и проанализирована модель эпидемического процесса антропонозного заболевания без выраженного постинфекционного иммунитета в конечной популяции в периодических условиях. Получены оценки величин вероятностей и моментов.

5. Построена и проанализирована модель эпидемического процесса антропонозного заболевания с иммунитетом в конечной популяции с учетом сезонных изменений активности механизма передачи. Получены уравнения динамики малых случайных флюктуаций. В линейном приближении получены выражения для предельного распределения.

6. Предложен новый метод анализа данных о заболеваемости на предмет выявления эпидемиологических особенностей, характерных для инфекционных заболеваний.

Список научных работ, опубликованных по теме диссертации

Журналы из перечня «ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора наук» ВАК России (по состоянию на апрель 2008 года) пао специальности «математика» отмечены звездочкой, по специальности «медицина» - двумя звездочками.

1.        Герасимов А.Н. О результатах математического моделирования эпидемического процесса с точки зрения эпидемиологии // Сб. работ Бакинского медицинского института. Баку, 1990г., 3с.

2.        Герасимов А.Н. Математическое моделирование сезонности и многолетней цикличности // Сб. работ Бакинского медицинского института. Баку, 1990г., 3с.

3.**        Беляков В.Д., Герасимов А.Н., Кравцов Ю.В.  Состояние и перспективы математического моделирования в эпидемиологии // ЖМЭИ, 1990г, N 6, С. 109-113.3c

4.**        Беляков В.Д., Кравцов Ю.В., Герасимов А.Н. Математическая модель эпидемического процесса антропонозной инфекции при стабильных и однородных факторах // ЖМЭИ, 1991г, N 3, С3с. 29-32.

5.**        Беляков В.Д., Герасимов А.Н.,  Кравцов Ю.В. Структура популяций возбудителей и механизмы развития эпидемического процесса // ЖМЭИ, 1993г, N 1, 6с.

6.**        Беляков В.Д. Кравцов Ю.В., Герасимов А.Н. Математическое моделирование динамики эпидемического процесса при изменении  заразности возбудителя инфекционных болезней // ЖМЭИ, 1993г. N 3, 5сС. 39-43.

7.**        Ряпис Л.А., Вострова Е.И., Герасимов А.Н. и др.        Изменчивость популяции "Pseudomonas aerudinosa" в фазе паразитизма на "Tetrachimena pyriformis" // ЖМЭИ, 1993г, N 5, С4с. 32-35.

8.        Бражников А.Ю., Герасимов А.Н. Сравнительное исследование определяющих динамику заболеваемости факторов методом имитационного математического моделирования // Сб. “Проблемы инфектологии Тульской области”, 1997,№2-3, 2с.

9.        Герасимов А.Н., Бражников А.Ю. Имитационное математическое моделирование динамики инфекционной заболеваемости конечной популяции // Научная сессия МИФИ-98- М.:МИФИ, 1998, С2с. 18-22.

10.        Герасимов А.Н. Математическое моделирование в биологии и медицине // Методические указания.-М.:МИФИ, 1998. 40с.

11.**        Бражников А.Ю., Герасимов А.Н. Опыт применения корреляционного анализа для изучения синхронности колебаний уровня инфекционной заболеваемости на отдельных территориях // ЖМЭИ, 1999г, N 4, С5с. 18-22.

12.**        Герасимов А.Н., Архипенко Ал.Ю. Влияние изменений в демогpафической стpуктуpе населения на заболеваемость антpопонозными инфекциями // Вестник РАМН, 2001;(1):44-6, 3c.

13.*        Разжевайкин В.Н., Шпитонков М.И., Герасимов А.Н. Применение метода корреляционной адаптометрии в медико-биологических задачах // Исследование операций, ВЦ РАН им. А.А.Дородницына, М., 20032, 5с

14.**        Герасимов А.Н. О синхронности многолетней динамики заболеваемости // Вестник РАМН, 2004;(7), С3c. 44-46

15.**        Брико Н. И., Отвагин С. А., Герасимов А.Н. Математическое моделирование с целью прогнозирования заболеваемости корью // Эпидемиология и инфекционные болезни. - 2006. - N 2, С. 15-19.3с

16.*        Герасимов А.Н.,  Разжевайкин В.Н. Устойчивость стационарных решений в модели распространения эпидемии, структурированной по восприимчивости // Труды Института системного анализа РАН. – 2006, Том 25(1), С. 276-2848с

17.*        Герасимов А.Н., Шпитонков М.И. Исследование сердечного ритма больных с разными патологиями методами нелинейной динамики // Труды Института системного анализа РАН. – 2006, Том 25(1), С. 304-308.4с.

18.*        Разжевайкин В.Н.. Шпитонков М.И., Герасимов А.Н., Карасева М.В. Использование корреляционной адаптометрии для оценки эффективности лечения на примере заместительной гормональной терапии // Исследование операций, ВЦ РАН им. А.А. Дородницына, М., 2006, С7с. 44-50

19.        Герасимов А.Н. Медицинская статистика (учебное пособие) // Москва, «Медицинское информационное агентство», 2007 г. 475с.

20.*        Герасимов А.Н., Шпитонков М.И. Заболеваемость гриппом и ее связь со смертностью населения // Труды Института системного анализа РАН. – 2007, Том 31(1), 7сС. 372-378

21.*        Герасимов А.Н., Разжевайкин В.Н. Учет неоднородности популяции при исследовании распространения инфекции // Труды Института системного анализа РАН. – 2007, Том 31(1), С. 116-121.6с.

22.*        Герасимов А.Н., Шпитонков М.И. Сравнительный анализ автокорреляционной функции и размаха для некоторых эпидемиологических задач // Труды Института системного анализа РАН. – 2008, Том 32(1), С. 290-2945с.

23.*        Герасимов А.Н., Разжевайкин В.Н. Динамика эпидемического процесса в гетерогенной не полностью изолированной популяции с учетом сезонных колебаний активности механизма передачи // Журнал вычислительной математики и математической физики. 2008. Том 48, №8, 12сС. 1488-1499

24.**        Полибин Р.В., Миндлина А.Я., Мачуленко Н.Н. Герасимов А.Н. Эпидемиологическая эффективность и экономическая целесообразность иммунопрофилактики гепатита А // Эпидемиология и инфекционные болезни 2009. Том 1, С.14-185с.






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.