"Ростех" смоделирует вирусные риски
О создании модели корреспонденту ComNews рассказал в беседе руководитель проектного офиса "Безопасный город" Объединенной приборостроительной корпорации госкорпорации "Ростех" Андрей Мишурный. Он сообщил, что МЧС России поставило перед компанией задачу построить прогнозно-аналитическую модель по такому риску, как вирусная пандемия. "Заказ поступил от МЧС России именно в силу актуальности этой проблемы. Мы будем пытаться построить прогнозно-аналитическую модель исходя из фундаментальных исследований и практических знаний вирусной пандемии. Результаты мы будем сдавать в декабре 2021 г. В целом модель будет рассматривать любой вирус, но COVID-19 будет в центре внимания. Мы очень надеемся на метод Байеса, так как именно он ищет нелинейные зависимости. Конечно же, все будет зависеть от набора данных, которые есть. Мы сотрудничаем с Российской академией наук, привлекаем к работе специализированные кадры - кандидатов наук, докторов наук. Эту область нам еще предстоит изучить", - отметил Андрей Мишурный.
Он рассказал, как будет строиться прогнозно-аналитическая модель. "Любая прогнозная модель, которая сегодня строится на Байесовском методе, состоит из двух видов прогнозов. Первый - это так называемый долгосрочный прогноз, когда мы прогнозируем возникновение события: будет или не будет, а если будет, то с какой вероятностью произойдут вспышки того или иного заболевания при определенном наборе данных и факторов. Вторая задача, которая ставится перед нами, - это прогнозируемое развитие динамики. Которое зависит от набора имеющихся данных. В случае вирусной пандемии можно будет выяснить, с каким шагом получится прогнозировать и выявлять распространение вируса, определять локации и условия распространения вируса и т.д. Эта модель очень сложная и одновременно очень актуальная", - сообщил Андрей Мишурный.
По мнению директора по административно-кадровым вопросам и социальной политике ИТ-компании "Крок" Любови Труниной, сложно спрогнозировать развитие динамики вирусной пандемии по модели Байеса, так как слишком много факторов влияет на это. "А вот вероятность возникновения вспышки заболевания, кажется, вполне реально. Например, по прогнозу новая волна начнется в декабре - значит, за какое-то время заранее пора сделать ревакцинацию. И возможно, получится просчитать вероятность эффективности вакцины к возможным штампам вируса. Конечно, если на любое действие принимать чуть заранее противодействие, то это может быть очень полезным и эффективным", - подытожила она.
Руководитель группы IoT Softline Валерий Милых отметил, что описанная разработка не уникальна. "Подобные работы известны с начала XX века и активно велись в СССР и России, в частности в области исследования скорости распространения эпидемий гриппа и иных опасных заболеваний. Можно привести в качестве примера работы Российского научно-исследовательского противочумного института "Микроб". Существует отдельное направление исследований "Математическая эпидемиология". Шансы на успех этой модели весьма высоки, так как работы будут опираться на хорошо отработанный математический аппарат и есть соответствующие специалисты", - считает Валерий Милых.
Он объяснил, что прикладное значение таких моделей крайне высоко: это проведение оценки организационных мероприятий, основанных на выводах эпидемиологической модели, оценка экономических последствий. "Причем оценки могут быть сделаны в численном выражении. Это возможность учитывать реальные ограничения, такие как пропускная способность лечебных учреждений, затраты на рост пропускной способности, возможность оценки влияния вакцинации (возможны оценочные модели разных вариантов вакцинации) на развитие эпидемиологической обстановки", - пояснил Валерий Милых.
Независимый эксперт по рынку ИТ и телеком Вадим Плесский скептически отнесся к такой модели. Он отметил, что разработкой таких моделей занимаются во всем мире. "Точность прогнозов, а самое главное - "сходимость" (произошло или не произошло целевое событие) сильно зависит от объема и качества начальных данных. Если все население России обяжут, например, ежедневно измерять температуру тела и сдавать данные через приложение в общее централизованное хранилище, то это будет хороший набор данных. Сейчас собираемые данные носят "лоскутный" характер, нет централизованных медицинских систем, не налажены сбор и проверка данных. Практическое применение такой модели в ближайшее время сомнительно. И тем более будет опасно и безрассудно делать какие-то действия, имеющие отношение к жизни и здоровью людей, на основе такой модели", - высказал свое мнение Вадим Плесский.
Другого мнения придерживается генеральный директор компании 3iTech Алексей Любимов. Он вспоминает: использование математического моделирования для прогнозирования развития эпидемий и оценки эффективности борьбы с ними имеет давнюю историю. "Так, впервые математические методы при изучении заболеваний применены еще в XVIII веке Даниэлем Бернулли. А сегодня в вузах преподают математическую эпидемиологию, которая изучает эффективность применения различного математического аппарата при прогнозировании развития эпидемий и пандемий. У России большой опыт прогнозирования, например, развития сезонных ОРЗ, есть наработанные методики и специалисты, умеющие строить прогнозно-аналитические модели. Байесов или байесовский метод - это один из множества инструментов математического моделирования, который сегодня стал популярен в среде матаналитиков и прогнозистов. Он очень хорошо себя зарекомендовал при решении самых разных задач. Вместе с тем нужно понимать, что могут использоваться и другие математические модели - например, "Цепи Маркова". Предиктивную аналитику можно создать, используя нейросети. Однако для них нужны обучающие выборки. Скорее всего, именно отсутствие последних стало причиной использования Байесовой статистики. В России очень сильная школа математического моделирования, поэтому можно не сомневаться, что эффективно работающая прогнозно-аналитическая модель будет создана", - уверен Алексей Любимов.
