ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ

Прогнозный мониторинг вторых волн эпидемии COVID-19 в Иране, России и других странах

Д. А. Ковригин1, С. П. Никитенкова2
Информация об авторах

1 Нижегородский государственный технический университет имени Р. Е. Алексеева, Нижний Новгород, Россия

2 Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского, Нижний Новгород, Россия

Для корреспонденции: Светлана Павловна Никитенкова
пр. Гагарина, д. 23, г. Нижний Новгород, 603950; moc.liamg@avoknetikins

Информация о статье

Вклад авторов: Д. А. Ковригин — планирование исследования, анализ литературы, анализ и интерпретация данных, подготовка черновика и финального варианта статьи; С. П. Никитенкова — планирование исследования, интерпретация данных, подготовка черновика и финального варианта статьи.

Статья получена: 13.07.2020 Статья принята к печати: 02.08.2020 Опубликовано online: 13.08.2020
|
  1. Moftakhar L, Mozhgan SEIF, Safe MS. Exponentially Increasing Trend of Infected Patients with COVID-19 in Iran: A Comparison of Neural Network and ARIMA Forecasting Models. Iranian Journal of Public Health. 2020; 49: 92–100.
  2. Tran TT, Pham LT, Ngo QX. Forecasting epidemic spread of SARS-CoV-2 using ARIMA model (Case study: Iran). Global Journal of Environmental Science and Management. 2020; 6 (Special Issue (Covid-19)): 1–10.
  3. Zareie B, Roshani A, Mansournia MA, Rasouli MA, Moradi G. A model for COVID-19 prediction in Iran based on China parameters. 2020; medRxiv.
  4. Ahmadi A, Fadai Y, Shirani M, Rahmani F. Modeling and forecasting trend of COVID-19 epidemic in Iran until May 13, 2020. Medical Journal of The Islamic Republic of Iran (MJIRI). 2020; 34 (1): 183–95.
  5. Li L, Yang Z, Dang Z, Meng C, Huang J, Meng H, Wang D, Chen G, Zhang J, Peng H, Shao Y. Propagation analysis and prediction of the COVID-19. Infectious Disease Modelling. 2020; 5: 282–92.
  6. Kovriguine D, Nikitenkova S. On the secondary waves of the pandemic launched in Iran and other countries. medRxiv. 2020; DOI: https://doi.org/10.1101/2020.06.20.20136283.
  7. Неймарк Ю. И. Математические модели в естествознании и технике. Н. Новгород: Изд-во Нижегородского университета им. Н. И. Лобачевского, 2004; 401 с.
  8. Код Maple-18. Доступно по ссылке: https://kovriguineda.ucoz. ru/COVID-19/COVID-19-Iran.mw.
  9. Код Maple-18. Доступно по ссылке: https://kovriguineda.ucoz. ru/COVID-19/COVID-19-Russia.mw.
  10. Код Maple-18. Доступно по ссылке: https://kovriguineda.ucoz. ru/COVID-19/COVID-19-Ukraine.mw.
  11. Meyer P. Bi-logistic growth. Technological forecasting and social change. 1994; 47 (1): 89–102.
  12. Lavrova AI, Postnikov EB, Manicheva OA, Vishnevsky BI. Bi-logistic model for disease dynamics caused by Mycobacterium tuberculosis in Russia. Royal Society open science. 2017; 4 (9): 171033.
  13. Dattoli G, et al. On the evolution of covid-19 in Italy: a follow up note. Available from: arXiv preprint arXiv:2003. 2020; 12667.
  14. Dattoli G, Di Palma E, Licciardi S, Sabia E. A Note on the Evolution of Covid-19 in Italy, arXiv:2003.08684v1 [q-bio.PE], 19 Mar 2020.
  15. Bhattacharya S, Islam MM, De A. Search for the trend of COVID-19 infection following Farr's law, IDEA model and power law. medRxiv. 2020; Available from: https://doi.org/10.1101/202 0.05.04.20090233.
  16. Singer HM. The COVID-19 pandemic: growth patterns, power law scaling, and saturation. medRxiv. 2020; Available from: https:// doi.org/10.1101/2020.07.12.20152140.
  17. Nikitenkova SP, Kovriguine DA. It's the very time to learn a pandemic lesson: why have predictive techniques been ineffective when describing long-term events? medRxiv. 2020; Available from: https://doi.org/10.1101/2020.06.01.20118869.
  18. Mummert A, et al. A perspective on multiple waves of influenza pandemics. PloS one. 2013; 8 (4): e60343.
  19. Лакман И. А., Агапитов А. А., Садикова Л. Ф., Черненко О. В., Новиков С. В., Попов Д. В. и др. Возможности математического прогнозирования коронавирусной инфекции в Российской Федерации. Артериальная гипертензия. 2020; 26 (3): 288– 94. Доступно по ссылке: https://doi.org/10.18705/1607- 419X-2020-26-3-288-294.
  20. Holmdahl I, Buckee C. Wrong but useful — what covid-19 epidemiologic models can and cannot tell us. N Engl J Med. 2020 May 15. DOI: 10.1056/NEJMp2016822.
  21. Иванников Ю. Г., Огарков П. И. Опыт математического компьютерного прогнозирования эпидемий гриппа для больших территорий. Журнал инфектологии. 2012; 4 (3): 101–06. Available from: https://doi.org/10.22625/2072-6732- 2012-4-3-101-106.
  22. Luo Y, Schaposnik LP. Minimal percolating sets for mutating infectious diseases. Physical Review Research. 2020; 2 (2): 023001.
  23. de Arruda GF, Petri G, Moreno Y. Social contagion models on hypergraphs. Physical Review Research. 2020; 2 (2): 023032.