ПРОГНОЗУВАННЯ ЕПІДЕМІЙ ЯК НАПРЯМ ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В ГРОМАДСЬКОМУ ЗДОРОВ’Ї
DOI:
https://doi.org/10.11603/1681-2786.2025.3.15637Ключові слова:
громадське здоров’я; штучний інтелект; прогнозування епідемій; модель; COVID-19.Анотація
Мета: аналіз сучасних методів прогнозування епідемій за допомогою штучного інтелекту, оцінка їх ефективності та визначення перспектив розвитку. Матеріали і методи. Для аналізу використано дані з рецензованих статей, звітів міжнародних організацій і кейсів компаній за період 2020–2025 рр. Результати доповнено порівнянням із традиційними методами, оцінкою етичних і технічних викликів, а також обговоренням їх значення для громадського здоров’я. Результати. Установлено, що методи штучного інтелекту показали високу ефективність у короткострокових прогнозах (1–4 тижні), де моделі рекурентних нейронних мереж та довгої короткочасної пам’яті досягали точності 80–96% за передбачення захворюваності та госпіталізацій. Просторово-часові моделі на основі згорткових нейронних мереж та гібридних архітектур давали змогу з точністю до 90% визначати зони ризику поширення інфекцій. Водночас точність довгострокових прогнозів (понад один місяць) була нижчою – 60–75% через вплив непередбачуваних чинників, таких як зміни у поведінці населення та мутація патогенів. Висновки. Застосування штучного інтелекту у 2020–2025 рр. суттєво підвищило ефективність епідеміологічного прогнозування, забезпечивши точність короткострокових моделей на рівні до 96%, можливість раннього виявлення спалахів та перевищення результатів традиційних підходів. Найкращі результати продемонстрували гібридні моделі, що поєднують штучний інтелект із класичними епідеміологічними методами, забезпечуючи баланс між точністю та інтерпретацією. Використання новітніх моделей епідемічних процесів дає змогу розробляти дієві, науково обґрунтовані та ефективні стратегії профілактики захворюваності й контролю за поширенням епідемій.
Посилання
Butkevych М., Meniailov I., Bazilevych K., Y Parfeniuk Y., Chumachenko D. Simulation of influenza dynamics with LSTM deep learning model. Proceedings IDDM’24: 7th International Conference on Informatics & Data-Driven Medicine., UK, Birmingham, November 14–16. 2024. Vol. 3892. P. 115–125. URL: https://ceur-ws.org/Vol-3892/
Wang L., Zhang Y., Wang D., Tong X., Liu T., Zhang S., Huang J., Zhang L., Chen L., Fan H., & Clarke M. Artificial Intelligence for COVID-19: A Systematic Review. Frontiers in medicine. 8. 2021. 704256. https://doi.org/10.3389/fmed DOI: https://doi.org/10.3389/fmed.2021.704256
Zhou L., Zhao C., Liu N., Yao X., Cheng Z. Improved LSTM-based deep learning model for COVID-19 prediction using optimized approach. Engineering Applications of Artificial Intelligence. 2023. Т. 122. Р. 106157. DOI: 10.1016/j.engappai.2023.106157. DOI: https://doi.org/10.1016/j.engappai.2023.106157
Guo X., Xie W., Li X. Spatial-Temporal Correlation Neural Network for Long Short-Term Demand Forecasting During COVID-19. IEEE Access. 2023. Vol. 11. P. 75573–75586. DOI: 10.1109/ACCESS.2023.3297143. DOI: https://doi.org/10.1109/ACCESS.2023.3297143
Чумаченко Д.І., Чумаченко Т.О. Імітаційне моделювання епідемічних процесів: прикладні аспекти : монографія. Харків : Панов А.М., 2023. 300 с. DOI: https://doi.org/10.30837/SMEP.2023
World Health Organization. World health statistics 2021: monitoring health for the SDGs, sustainable development goals. Geneva: World Health Organization. 2021. URL: https://iris.who.int/bitstream/handle/10665/342703/9789240027053-eng.pdf
González-Escamilla M., Pérez-Ibave D.C., Burciaga-Flores C.H., Ortiz- Murillo V.N., Ramírez-Correa G.A., Rodríguez-Niño P., Piñeiro-Retif R., Rodríguez-Gutiérrez H.F., Alcorta-Nuñez F., González-Guerrero J.F., Vidal-Gutiérrez O., Garza-Rodríguez M.L. Epidemiological Algorithm for Early Detection of COVID-19 Cases in a Mexican Oncologic Center. Healthcare (Basel, Switzerland). 2022. Vol. 10, no. 3. P. 462. DOI: 10.3390/healthcare10030462. DOI: https://doi.org/10.3390/healthcare10030462
Silva P.C.L., Batista P.V.C., Lima H.S., Alves M.A., Guimarães F.G., Silva R.C.P. COVID-ABS: An agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions. Chaos, solitons, and fractals. 2020. Vol. 139. P. 110088. DOI: 10.1016/j.chaos.2020.110088. DOI: https://doi.org/10.1016/j.chaos.2020.110088
Al Kuwaiti A., Nazer K., Al-Reedy A., Al-Shehri S., Al-Muhanna A., Subbarayalu A.V., Al Muhanna D., Al-Muhanna F.A. A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine. 2023. Vol. 13, no. 6. P. 951. DOI: 10.3390/jpm13060951. DOI: https://doi.org/10.3390/jpm13060951
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного 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.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
