эпидемиология

Исследование применяет алгоритмы машинного обучения (в частности, LightGBM) для прогнозирования психических расстройств (тревожность, бессонница, низкое качество жизни) у жителей неформальных поселений в Индии. Авторы используют методы объяснимого ИИ (SHAP) для интерпретации моделей и проводят строгую валидацию с учетом кластерной структуры данных, подчеркивая необходимость внешней проверки для клинического применения.

В данном ретроспективном исследовании разработана и валидирована модель машинного обучения VARM-7 (Valencia At-Risk MASH) для неинвазивного выявления лиц с риском метаболического дисфункционного стеатогепатита (MASH). Модель обучалась на выборке из 2267 пациентов с использованием алгоритмов Random Forest и XGBoost, применяя 10-кратную перекрестную проверку. В качестве целевых показателей использовались данные вибрационной контролируемой трансэластографии (VCTE): параметр затухания (CAP) ≥ 275 дБ/м, жесткость печени (LSM) > 8 кПа и/или индекс FAST > 0.35. Итоговая модель VARM-7 включает возраст и шесть стандартных лабораторных показателей. При независимой валидации VARM-7 продемонстрировала значительное превосходство над традиционным индексом FIB-4: площадь под ROC-кривой (AUROC) составила 0.84 против 0.64 (p < 0.001). Применение модели к базе данных общественного здравоохранения Валенсии (более 3.4 млн человек) показало, что 11.7% общей популяции имеют риск MASH, а среди пациентов с ожирением и сахарным диабетом 2 типа этот показатель достигает 29.4% и 44.0% соответственно. Результаты подтверждают высокую эффективность ИИ-подхода для скрининга и оптимизации маршрутизации пациентов, хотя требуется внешняя валидация перед внедрением в клиническую практику.

В статье представлена новая модель PI-HGRU (physics-informed hybrid gated recurrent unit) для прогнозирования распространения пирикуляриоза (рисового грибка) в пространстве и времени. Модель сочетает дифференциальные уравнения, описывающие динамику передачи болезни, с гибридной архитектурой на основе гейтированных рекуррентных блоков (GRU), что позволяет объединить механистические знания эпидемиологии с обучением на данных. Для обучения и оценки использован многолетний набор данных (2000–2016 гг.) по 16 крупным рисоводческим провинциям Южного Китая, включающий полевые наблюдения, данные дистанционного зондирования, метеорологические и почвенные характеристики. Для обработки нерегулярных интервалов наблюдений и разной длины временных рядов применён подход со скользящим временным окном, а также проведён анализ чувствительности для выбора оптимальных параметров окна и задержки. Результаты показали, что PI-HGRU значительно превосходит чисто data-driven модель HGRU: коэффициент корреляции r² улучшен на 22,8%, а RMSE и MAE снижены на 10,2% и 18,0% соответственно. Анализ промежуточных переменных выявил интерпретируемую связь между скоростью передачи β(t) и условиями окружающей среды, что подтверждает способность модели объяснять механизмы распространения болезни. Работа демонстрирует, что интеграция эпидемиологических механизмов в глубокое обучение повышает точность, стабильность и интерпретируемость прогнозов, что важно для крупномасштабного мониторинга и точного управления болезнями сельскохозяйственных культур.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026 года), авторы Т. Анса-Нарх, Й. Асаре Афране и Дж. Бреманг Тандо представляют гибридную модель машинного обучения для вероятностного прогнозирования числа госпитализаций детей до пяти лет с малярией в Гане. Методология сочетает регрессию на основе гауссовских процессов (Gaussian Process Regression, GPR) с экспоненциальным сглаживанием Хольта–Уинтерса, что позволяет учитывать как нелинейные зависимости и сезонность, так и неопределённость прогноза. Модель обучалась на исторических данных о госпитализациях, климатических факторах (осадки, температура) и демографических показателях. Ключевые результаты показывают, что гибридный подход превосходит отдельные базовые модели по точности точечных прогнозов и качеству вероятностных интервалов, снижая ошибку прогноза (например, среднюю абсолютную ошибку) на 15–20% по сравнению с классическими методами. Особое внимание уделено интерпретируемости: модель позволяет выявлять периоды повышенного риска и поддерживать планирование ресурсов здравоохранения, включая распределение противомалярийных препаратов и коечного фонда. Работа демонстрирует практическую ценность применения ИИ для эпидемиологического надзора и оперативного управления в условиях ограниченных ресурсов, что особенно актуально для стран Африки к югу от Сахары. Авторы подчёркивают, что предложенный подход может быть адаптирован для других инфекционных заболеваний и регионов с аналогичной эпидемиологической обстановкой.

Исследование посвящено прогнозированию рисков возникновения вспышек высокопатогенного гриппа птиц (HPAI) штамма H5N1 на территории Австралии на уровне местных органов самоуправления. Авторы применили модель максимума энтропии (MaxEnt) для оценки экологической пригодности среды, объединив её с пятью ключевыми предикторами: численностью диких птиц Южного океана, данными о 28 видах местных птиц, путями их миграции, а также плотностью популяций домашней птицы и куриц. В результате была создана карта рисков, которая выявила, что наиболее уязвимыми регионами являются Новый Южный Уэльс (NSW) и Виктория (VIC), несмотря на то, что текущие случаи были зафиксированы в Западной и Южной Австралии. Также зоны высокого риска охватывают Тасманию (TAS), в то время как Северная территория и значительные части Квинсленда классифицированы как зоны низкого риска. Данная прогностическая модель предоставляет пространственно-детерминированную базу для планирования целевого эпидемиологического надзора и усиления мер биобезопасности.

Разработан новый высокопараллельный биоинформатический конвейер neissflow на базе Nextflow, предназначенный для комплексного анализа геномов Neisseria gonorrhoeae (гонококка). Инструмент объединяет пять ключевых подпроцессов: предобработку чтений, идентификацию вида, сборку de novo, профилирование антибиотикорезистентности (AMR) и филогенетический анализ с учетом рекомбинации для обнаружения вспышек. В ходе валидации на смешанном наборе данных (n=158) система показала 100% чувствительность и специфичность в идентификации вида по сравнению с методами MALDI-TOF и PubMLST. Анализ девяти маркеров резистентности продемонстрировал согласованность с PubMLST на уровне ≥98,1%, при этом выявлена идеальная корреляция генотипа и фенотипа для критических мутаций (gyrA, 23S rRNA, tetM). Тесты на воспроизводимость подтвердили точность в 99,97% по 3093 аналитам, а филогенетический анализ показал 100% точность кластеризации. Данное решение представляет собой стандартизированный и надежный инструмент для лабораторий общественного здравоохранения, занимающихся мониторингом антибиотикорезистентности и расследованием вспышек инфекций.

Исследователи представили первую комплексную базу данных локусов синтеза капсулы (K-локусов), специально разработанную для комплекса видов Klebsiella oxytoca (SC), который является растущей группой оппортунистических патогенов в медицинских учреждениях. В работе описывается создание базы, включающей 88 различных локусов, определенных по составу генов, которая полностью совместима с инструментом быстрого геномного типирования Kaptive. Методология исследования включала анализ 2 244 геномов, что позволило достичь покрытия в 97,6%, значительно превосходя показатели существующей базы для K. pneumoniae (50,3%, p < 0,0001). Проверка базы на трех различных коллекциях клинических изолятов (от 61 до 102 генома в каждой) подтвердила высокую диверсификацию типов капсул. Данный ресурс критически важен для эпидемиологического надзора и разработки новых методов терапии, таких как вакцины, моноклональные антитела и фаговая терапия. База данных доступна в открытом доступе на GitHub и станет ключевым инструментом для системных геномных исследований патогена.

В исследовании представлена новая модульная байесовская платформа, предназначенная для реконструкции сетей передачи инфекций в условиях поликлональных инфекций, когда один носитель может содержать несколько генетически различных клонов. Традиционные методы часто не справляются с такими данными, предполагая наличие только одного источника и одного гаплотипа, что критично для малярии, туберкулеза и ВИЧ. Авторы разработали фреймворк, который позволяет учитывать наличие одного, нескольких или даже ненаблюдаемых родителей инфекции. В качестве практического применения была представлена модель Plasmotrack для возбудителя Plasmodium falciparum, использующая данные таргетного ампликонного секвенирования. Результаты симуляций показали высокую точность (precision) и полноту (recall) при обнаружении направленной передачи, а также успешное восстановление агрегированных характеристик сети, таких как средняя степень исхода (out-degree). Разработанная архитектура является универсальной: другие патогены могут быть интегрированы в систему путем замены модулей правдоподобия передачи и наблюдения.

Систематический обзор 62 исследований, посвященный применению ИИ и глубокого обучения для прогнозирования и диагностики инфекционных заболеваний в Африке. В работе выявлен рост публикаций с 2019 года и определены ключевые направления, такие как борьба с малярией и ВИЧ, а также обозначены барьеры в интеграции данных о животных и окружающей среде.

В статье представлен MeaSeq — новый высокоскоростной биоинформатический конвейер с открытым исходным кодом, разработанный специально для анализа данных секвенирования следующего поколения (NGS) вируса кори (MeV). Инструмент поддерживает работу с платформами Illumina и Oxford Nanopore Technologies (ONT), обеспечивая полный цикл обработки: от контроля качества и сборки консенсусного генома до детекции вариантов и присвоения идентификаторов последовательностей (DSId). Методология исследования включала сравнительный анализ MeaSeq с «золотым стандартом» секвенирования по Сэнгеру, референсными геномами и общедоступными данными. Результаты валидации подтвердили, что MeaSeq обеспечивает высокую точность и воспроизводимость при анализе полногеномных данных, что критически важно для молекулярного надзора и расследования вспышек инфекции. Использование данного пайплайна позволяет автоматизировать процесс подготовки стандартизированных HTML-отчетов, делая геномный мониторинг доступным для лабораторий общественного здравоохранения. Внедрение MeaSeq может значительно ускорить ответ на вспышки кори за счет упрощения анализа данных WGS.

Информационно-аналитический центр здравоохранения Москвы объявил тендер на развитие Единой медицинской информационно-аналитической системы (ЕМИАС) с бюджетом в 479,77 млн рублей. Основной целью проекта является цифровизация процессов учета контактных лиц, подвергшихся воздействию воздушно-капельных и кишечных инфекций. Данная инициатива направлена на автоматизацию противоэпидемиологических мероприятий и повышение эффективности мониторинга инфекционных рисков в столице. Реализация проекта позволит интегрировать данные о контактах в единую цифровую среду, что ускорит реагирование на вспышки заболеваний. Это пример применения ИТ-инфраструктуры и систем обработки данных для управления общественным здравоохранением и эпидемиологическим контролем.

Компания Epic, ведущий разработчик систем электронных медицинских карт (EHR), представила новый функционал, предназначенный для мониторинга эпидемиологической ситуации. Система анализирует данные о состоянии здоровья населения в режиме реального времени на уровне отдельных округов и автоматически генерирует оповещения при обнаружении аномального роста заболеваемости. Данная технология позволяет медицинским организациям и государственным службам здравоохранения быстрее реагировать на вспышки инфекционных заболеваний и планировать распределение ресурсов. Внедрение подобных инструментов мониторинга на базе данных EHR значительно повышает эффективность общественного здравоохранения и позволяет перейти от реактивной модели к проактивному управлению рисками. Интеграция аналитических модулей непосредственно в рабочую среду врачей упрощает процесс отслеживания локальных эпидемиологических трендов.