Структурная и практическая идентификация феноменологических моделей роста для эпидемиологического прогнозирования.

Феноменологические модели являются высокоэффективными инструментами прогнозирования динамики заболеваний с использованием реальных данных, особенно в сценариях, в которых подробные знания о механизмах борьбы с заболеваниями являются ограниченными. Однако их надежность зависит от структурной и практической идентификации параметров модели. В этом исследовании мы систематически анализируем идентификацию шести широко используемых моделей роста в эпидемиологии: модели общего роста (GGM), общей логистической модели (GLM), модели Ричардса, общей модели Ричардса (GRM), модели Гомперца и модифицированной модели SEIR с неоднородным смешиванием. Для решения проблем, возникающих в связи с неинтективной силой в этих моделях, мы переформулируем их путем введения дополнительных переменных состояния. Это позволяет проводить тщательный анализ идентифицируемости структуры с использованием пакета " Структурная идентификация " .jl в JULIA. Мы проверили результаты структурной идентификации путем оценки параметров и прогнозирования с использованием Набора инструментов MATLAB. Этот набор инструментов предназначен для установки и прогнозирования траекторий временных рядов на основе феноменологических моделей роста. Мы применили его к трем эпидемиологическим наборам: еженедельным данным о случаях обезьянопокса, COVID-19 и Эболы. Кроме того, мы провели оценку практической идентификации с помощью моделирования Монте-Карло для оценки надежности параметров при различных уровнях шума, производимого при наблюдении. Наши результаты подтверждают, что все шесть моделей структурно идентифицируются в соответствии с предлагаемыми изменениями. Кроме того, анализ практической идентификации показывает, что оценки параметров остаются надежными в зависимости от различных уровней шума, хотя чувствительность варьируется в зависимости от моделей и наборов данных. Эти выводы позволяют получить критический анализ сильных и слабых сторон феноменологических моделей, характеризующих траектории эпидемии, с уделением особого внимания их адаптации к реальным проблемам и их роли в информировании общественности о принимаемых мерах в области здравоохранения.