Проєктно-орієнтована методологія проактивного управління епідеміями на основі штучного інтелекту й моделей SEIRS
DOI:
https://doi.org/10.30837/2522-9818.2026.2.095Ключові слова:
проактивне управління епідеміями; проєктно-орієнтована методологія; штучний інтелект; модель SEIRS; машинне навчання; цифрове здоров’я; епідеміологічне прогнозування; системи підтримки прийняття рішеньАнотація
Предметом дослідження в статті є процеси проактивного управління епідеміями як складними соціально-медичними системами в умовах високої невизначеності, обмеженості ресурсів і динамічних зовнішніх впливів, зокрема із застосуванням математичного епідеміологічного моделювання та інтелектуальних цифрових технологій. Мета роботи полягає в створенні проєктно-орієнтованої методології управління епідеміями на основі інтеграції класичної моделі SEIRS зі штучним інтелектом, машинним навчанням і цифровими системами підтримки прийняття управлінських рішень, що забезпечує перехід від реактивного реагування до проактивного прогнозування й запобігання спалахам інфекційних захворювань. У статті необхідно виконати такі завдання: сформувати концептуальну й процесну модель проактивного управління епідеміями в межах проєктного підходу; розробити інтегровану архітектуру збору, аналізу та інтерпретації епідеміологічних показників; адаптувати компартментну модель SEIRS до умов динамічної параметризації з використанням методів машинного навчання; обґрунтувати застосування геопросторових і мультиагентних підходів для врахування неоднорідності поширення інфекцій; визначити роль інтелектуальних методів оптимізації управлінських втручань у проєктному циклі протидії епідеміям. Упроваджено такі методи: математичне моделювання епідеміологічних процесів на основі систем диференціальних рівнянь SEIRS; машинне навчання й ансамблеве прогнозування для динамічного оцінювання параметрів моделі; геопросторовий аналіз і мультиагентне моделювання для відтворення мобільності населення й просторових ризиків; навчання з підкріпленням для оптимізації управлінських рішень; проєктно-орієнтовані підходи до організації та адаптації управлінських процесів. Досягнуто таких результатів: сформульовано принципи проактивного управління епідеміями на основі інтеграції епідеміологічного моделювання й штучного інтелекту; запропоновано проєктно-орієнтовану методологію, що поєднує цикл управління проєктом із фазами моделі SEIRS; розроблено узагальнену структуру гібридної інтелектуальної моделі, здатної адаптуватися до різних типів інфекційних захворювань, зокрема туберкульозу та COVID-19; обґрунтовано можливість підвищення ефективності раннього виявлення ризиків і раціонального розподілу ресурсів у кризових умовах. Висновки: застосування запропонованої проєктно-орієнтованої методології та інтегрованої моделі SEIRS зі штучним інтелектом створює підґрунтя для переходу до проактивного управління епідеміями, підвищує адаптивність систем громадського здоров’я та може бути використане як універсальний методологічний каркас для розроблення інтелектуальних систем прогнозування й запобігання епідеміям у складних і нестабільних середовищах.Завантаження
Посилання
References
Tang, L., Zhou, Y., Wang, L., Purkayastha, S., Zhang, L., He, J., Wang, F. and Song, P.X.-K. (2020), "A Review of Multi-Compartment Infectious Disease Models", International Statistical Review, Vol. 88, No. 2, pp. 462–513. DOI: https://doi.org/10.1111/insr.12402
Brauer, F., Castillo-Chavez, C. and Feng, Z. (2019), Mathematical Models in Epidemiology, Springer, Berlin, 619 p. DOI: https://doi.org/10.1007/978-1-4939-9828-9
Huang, J. and Morris, J.S. (2025), "Infectious Disease Modeling", Annual Review of Statistics and Its Application, Vol. 12, pp. 19–44. DOI: https://doi.org/10.1146/annurev-statistics-112723-034351
Bushuyev, S., Bushuiev, D. and Bushuieva, V. (2020), "Project Management During Infodemic of the COVID-19 Pandemic", Innovative Technologies and Scientific Solutions for Industries, Vol. 2, No. 12, pp. 13–21. DOI: https://doi.org/10.30837/2522-9818.2020.12.013
Huliiev, N. (2024), "Choice of Machine Learning Models for Predicting the Development of Psychological Disorders in People with Hypothireosis and Hyperthireosis", Innovative Technologies and Scientific Solutions for Industries, Vol. 2, No. 28, pp. 76–85. DOI: https://doi.org/10.30837/2522-9818.2024.2.076
Kiselev, I.N., Akberdin, I.R., Kolpakov, F.A. and Lashin, S.A. (2023), "Delay-Differential SEIR Modeling for Improved Modeling of Epidemic Dynamics", Scientific Reports, Vol. 13, Article 11874. DOI: https://doi.org/10.1038/s41598-023-39052-9
Fong, S.J., Li, G., Dey, N., Crespo, R.G. and Herrera-Viedma, E. (2020), "Finding an Accurate Early Forecasting Model from Small Dataset: A Case of 2019-nCoV Outbreak", International Journal of Interactive Multimedia and Artificial Intelligence, Vol. 6, No. 1, pp. 132–140. DOI: https://doi.org/10.9781/ijimai.2020.02.002
Shinde, G.R., Kalamkar, A.B., Mahalle, P.N., Dey, N., Chaki, J. and Hassanien, A.E. (2020), "Forecasting Models for Coronavirus Disease (COVID-19): A Survey of the State-of-the-Art", SN Computer Science, Vol. 1, Article 197. DOI: https://doi.org/10.1007/s42979-020-00209-9
Venkatramanan, S., Lewis, B., Chen, J., Higdon, D., Vullikanti, A. and Marathe, M. (2018), "Using Data-Driven Agent-Based Models for Forecasting Emerging Infectious Diseases", Epidemics, Vol. 22, pp. 43–49. DOI: https://doi.org/10.1016/j.epidem.2017.02.010
Ye, Y., Pandey, A., Bawden, C., Sumsuzzman, D.M., Rajput, R., Shoukat, A., Singer, B.H., Moghadas, S.M. and Galvani, A.P. (2025), "Integrating Artificial Intelligence with Mechanistic Epidemiological Modeling: A Scoping Review of Opportunities and Challenges", Nature Communications, Vol. 16, Article 581. DOI: https://doi.org/10.1038/s41467-024-55461-x
Wu, J.T., Leung, K. and Leung, G.M. (2020), "Nowcasting and Forecasting the Potential Domestic and International Spread of COVID-19", The Lancet, Vol. 395, No. 10225, pp. 689–697. DOI: https://doi.org/10.1016/S0140-6736(20)30260-9
Cao, Q., Jiang, R., Yang, C., Fan, Z., Song, X. and Shibasaki, R. (2023), "MepoGNN: Metapopulation Epidemic Forecasting with Graph Neural Networks", In: Machine Learning and Knowledge Discovery in Databases, Lecture Notes in Computer Science, Vol. 13718, pp. 453–468. DOI: https://doi.org/10.1007/978-3-031-26422-1_28
Riley, S. (2007), "Large-Scale Spatial-Transmission Models of Infectious Disease", Science, Vol. 316, No. 5829, pp. 1298–1301. DOI: https://doi.org/10.1126/science.1134695
Keeling, M.J. and Rohani, P. (2008), Modeling Infectious Diseases in Humans and Animals, Princeton University Press, Princeton, NJ, 408 p.
Perez, L. and Dragicevic, S. (2009), "An Agent-Based Approach for Modeling Dynamics of Contagious Disease Spread", International Journal of Health Geographics, Vol. 8, Article 50. DOI: https://doi.org/10.1186/1476-072X-8-50
Ajelli, M., Gonçalves, B., Balcan, D., Colizza, V., Hu, H., Ramasco, J.J., Merler, S. and Vespignani, A. (2010), "Comparing Large-Scale Computational Approaches to Epidemic Modeling: Agent-Based Versus Structured Metapopulation Models", BMC Infectious Diseases, Vol. 10, Article 190. DOI: https://doi.org/10.1186/1471-2334-10-190
Vyklyuk, Y., Semianiv, I., Nevinskyi, D., Todoriko, L. and Boyko, N. (2024), "Applying Geospatial Multi-Agent System to Model Various Aspects of Tuberculosis Transmission", New Microbes and New Infections, Vol. 59, Article 101417. DOI: https://doi.org/10.1016/j.nmni.2024.101417
Semianiv, I., Todoriko, L., Vyklyuk, Y. and Nevinskyi, D. (2024), "Application of Geospatial Multi-Agent System for Simulation of Different Aspects of Tuberculosis Transmission", Infusion & Chemotherapy, Vol. 7, No. 1, pp. 9–17. DOI: https://doi.org/10.32902/2663-0338-2024-1-9-17
Vyklyuk, Y., Nevinskyi, D., Chopyak, V., Škoda, M., Golubovska, O. and Hazdiuk, K. (2023), "A Managerial Approach towards Modeling the Different Strains of the COVID-19 Virus Based on the Spatial GeoCity Model", Viruses, Vol. 15, No. 12, Article 2299. DOI: https://doi.org/10.3390/v15122299
Vyklyuk, Y., Levytska, S., Nevinskyi, D., Hazdiuk, K., Škoda, M., Andrushko, S. and Palii, M. (2023), "Decision-Tree and Ensemble-Based Mortality Risk Models for Hospitalized Patients with COVID-19", System Research and Information Technologies, Vol. 1, pp. 23–36. DOI: https://doi.org/10.20535/SRIT.2308-8893.2023.1.02
Vyklyuk, Y., Nevinskyi, D. and Hazdiuk, K. (2024), "Continuous-Discrete GeoSEIR(D) Model for Modelling and Analysis of Geo Spread of COVID-19", Intelligence-Based Medicine, Vol. 10, Article 100155. DOI: https://doi.org/10.1016/j.ibmed.2024.100155
Nevinskyi, D., Martjanov, D., Semianiv, I. and Vyklyuk, Y. (2025), "Studying the Relationship between Tuberculosis and Socioeconomic, Medical, and Demographic Factors in Ukraine", System Research and Information Technologies, Vol. 1, pp. 19–31. DOI: https://doi.org/10.20535/SRIT.2308-8893.2025.1.02
Nevinskyi, D., Semianiv, I., Vyklyuk, Y. and Yakymiv, A. (2025), "Intelligent Agents in the Fight against Global Threats", Problems of Informatization and Control, Vol. 81, No. 1, pp. 72–81. DOI: https://doi.org/10.18372/2073-4751.81.20131
Puterman, M.L. (2014), Markov Decision Processes: Discrete Stochastic Dynamic Programming, Wiley, Hoboken, NJ, 684 p.
Libin, P.J.K., Moonens, A., Verstraeten, T., Smet, F., Aleman, J., Vandamme, A.-M. and Nowé, A. (2021), "Deep Reinforcement Learning for Large-Scale Epidemic Control", In: Machine Learning and Knowledge Discovery in Databases. Applied Data Science and Demo Track, Lecture Notes in Computer Science, Vol. 12461, pp. 155–170. DOI: https://doi.org/10.1007/978-3-030-67670-4_10
Zino, L. and Cao, M. (2021), "Analysis, Prediction, and Control of Epidemics: A Survey from Scalar to Dynamic Network Models", IEEE Circuits and Systems Magazine, Vol. 21, No. 4, pp. 4–23. DOI: https://doi.org/10.1109/MCAS.2021.3118100
Kraemer, M.U.G., Tsui, J.L.-H., Chang, S.Y., Lytras, S., Khurana, M.P. et al. (2025), "Artificial Intelligence for Modelling Infectious Disease Epidemics", Nature, Vol. 638, No. 8051, pp. 623–635. DOI: https://doi.org/10.1038/s41586-024-08564-w
World Health Organization (2021), Global Strategy on Digital Health 2020–2025, World Health Organization, Geneva. ISBN: 978-92-4-002092-4, available at: https://www.who.int/publications/i/item/9789240020924
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
