Современные информационные и молекулярные технологии в практике эпидемиологического надзора за природно-очаговыми инфекциями

Актуальность представленной работы обусловлена необходимостью совершенствования эпидемиологического надзора за природно-очаговыми инфекциями, представляющими серьезную угрозу здоровью и благополучию человека как в Российской Федерации, так и во всем мире. Урбанизация и освоение территории природных очагов с хозяйственной целью, нарушение экосистем в целом приводят к потере среды обитания для многочисленных видов диких животных и вынуждают их контактировать с людьми и домашними животными, способствуя тем самым распространению заболеваний среди них, а также последующей трансформации природных очагов в антропогенные. В связи с этим важным является вопрос внедрения новейших научных методов и достижений в практику санитарно-эпидемиологической службы нашей страны. Настоящее исследование рассматривает современные методы и технологические решения, имеющие большой потенциал для расширения возможностей эпидемиологического надзора (эпидемиологического и эпизоотологического мониторинга), а также создания систем реагирования на возникающие угрозы санитарно-эпидемиологического характера, в том числе географические информационные системы, использующиеся для визуализации данных, анализа пространственно-временных взаимосвязей и прогнозирования зон риска; дистанционное зондирование Земли, позволяющее собирать данные о состоянии окружающей среды с использованием спутников и беспилотных летательных аппаратов, что важно для анализа циркуляции инфекций; геномный эпидемиологический надзор, позволяющий выявить генетические варианты возбудителей инфекций, изучить их эволюцию и определить эпидемиологическую значимость; аналитику больших данных, обеспечивающую обработку информации для своевременного распознавания вспышек инфекций; искусственный интеллект и машинное обучение, автоматизирующие анализ данных и улучшающие точность прогнозов; интернет вещей, предоставляющий данные в реальном времени для непрерывного мониторинга параметров окружающей среды и здоровья человека.

1. Онищенко Г.Г., Попова А.Ю., Топорков В.П., Смоленский В.Ю., Щербакова С.А., Кутырев В.В. Современные угрозы и вызовы в области биологической безопасности и стратегия противодействия. Проблемы особо опасных инфекций. 2015; (3):5–9. DOI: 10.21055/0370-1069-2015-3-5-9.

2. Pappaioanou M., Kane T.R. Addressing the urgent health challenges of climate change and ecosystem degradation from a One Health perspective: what can veterinarians contribute? J. Am. Vet. Med. Assoc. 2022; 261(1):49–55. DOI: 10.2460/javma.22.07.0315.

3. Ortiz D.I., Piche-Ovares M., Romero-Vega L.M., Wagman J., Troyo A. The impact of deforestation, urbanization, and changing land use patterns on the ecology of mosquito and tick-borne diseases in Central America. Insects. 2021; 13(1):20. DOI: 10.3390/insects13010020.

4. Shaheen M.N.F. The concept of one health applied to the problem of zoonotic diseases. Rev. Med. Virol. 2022; 32(4):e2326. DOI: 10.1002/rmv.2326.

5. Yeh K.B., Parekh F.K., Tabynov K., Tabynov K., Hewson R., Fair J.M., Essbauer S., Hay J. Operationalizing cooperative research for infectious disease surveillance: lessons learned and ways forward. Front. Public Health. 2021; 9:659695. DOI: 10.3389/fpubh.2021.659695.

6. Goodchild M.F. Geographic information systems and science: today and tomorrow. Annals of GIS. 2009; 15(1):3–9. DOI: 10.1080/19475680903250715.

7. Шарыгин М.Д., Чупина Л.Б. Подходы к изучению географического пространства-времени и проблемы, связанные с ним. Географический вестник. 2013; (2):4–8.

8. Попова А.Ю., Кузькин Б.П., Демина Ю.В., Дубянский В.М., Куличенко А.Н., Малецкая О.В., Шаяхметов О.Х., Семенко О.В., Назаренко Ю.В., Агапитов Д.С., Мезенцев В.М., Харченко Т.В., Ефременко Д.В., Оробей В.Г., Клиндухов В.П., Гречаная Т.В., Николаевич П.Н., Тешева С.Ч., Рафеенко Г.К. Использование современных информационных технологий в практике санитарно-эпидемиологического надзора в период проведения XXII Олимпийских зимних игр и XI Паралимпийских зимних игр в г. Сочи. Журнал микробиологии, эпидемиологии и иммунобиологии. 2015; (2):113–8.

9. Чехвалова Е.В., Манин Е.А., Куличенко А.Н. Ранжирование территории г. Сочи по риску заражения ГЛПС с использованием метода максимальной энтропии. Эпидемиология и вакцинопрофилактика. 2023; 22(6):72–80. DOI: 10.31631/2073-3046-2023-22-6-72-80.

10. Sabins F.F. Jr, Ellis J.M. Remote Sensing: Principles, Interpretation, and Applications. Waveland Press; 2020. 524 p.

11. West H., Quinn N., Horswell M. Remote sensing for drought monitoring & impact assessment: progress, past challenges and future opportunities. Rem. Sens. Environ. 2019; 232:111291. DOI: 10.1016/j.rse.2019.111291.

12. Garni R., Tran A., Guis H., Baldet T., Benallal K., Boubidi S., Harrat Z. Remote sensing, land cover changes, and vector-borne diseases: use of high spatial resolution satellite imagery to map the risk of occurrence of cutaneous leishmaniasis in Ghardaïa, Algeria. Infect. Genet. Evol. 2014; 28:725–34. DOI: 10.1016/j.meegid.2014.09.036.

13. McMahon A. Earth Observation and Mosquito-Borne Diseases: Assessing Environmental Risk Factors for Disease Transmission via Remote Sensing Data. 2021. [Электронный ресурс]. URL: https://shareok.org/server/api/core/bitstreams/f61a2e9a-6f6c-430d-94d5-ae689472e3df/content.

14. Cunha H.S., Sclauser B.S., Wildemberg P.F., Fernandes E.A.M., Dos Santos J.A., Lage Md.O., Lorenz C., Barbosa G.L., Quintanilha J.A., Chiaravalloti-Neto F. Water tank and swimming pool detection based on remote sensing and deep learning: relationship with socioeconomic level and applications in dengue control. PLoS One. 2021; 16(12):e0258681. DOI: 10.1371/journal. pone.0258681.

15. Прислегина Д.А., Малецкая О.В., Дубянский В.М., Таран Т.В., Платонов А.Е. Клещевые трансмиссивные инфекции на юге России: современная эпидемиологическая ситуация, новый подход к построению прогнозных и объясняющих моделей заболеваемости (на примере Астраханской риккетсиозной и Крымской геморрагической лихорадок). Инфекция и иммунитет. 2023; 13(3):535–48. DOI: 10.15789/2220-7619-TBI-2036.

16. Дубянский В.М., Прислегина Д.А., Платонов А.Е. «Объясняющие» модели заболеваемости клещевыми инфекциями (на примере Астраханской риккетсиозной и Крымской-Конго геморрагической лихорадок). Журнал микробиологии, эпидемиологии и иммунобиологии. 2023; (1):34–45. DOI: 10/36233/0372-9311-344.

17. Дубянский В.М., Цапко Н.В., Шапошникова Л.И., Дегтярев Д.Ю., Давыдова Н.А., Остапович В.В., Григорьев М.П., Куличенко А.Н. Использование беспилотного летательного аппарата для повышения эффективности мониторинга природного очага чумы. Здоровье населения и среда обитания – ЗНиСО. 2018; (2):52–6. DOI: 10.35627/2219-5238/2018-299-2-52-56.

18. Бадмаев Н.Б. Геоинформационные технологии распознавания заброшенных скотомогильников. Улан-Удэ: Изд-во БНЦ СО РАН; 2017. 164 с.

19. Мочалкин П.А., Мочалкин А.П., Степанов Е.Г., Фарвазова Л.А., Попов Н.В. Использование методов дистанционного зондирования Земли для оценки потенциальной эпидемиологической опасности очагов ГЛПС на территории г. Уфа. ПЕСТ-менеджмент. 2016; (1-2):5–9.

20. Ашибоков У.М., Дубянский В.М., Семенко О.В., Газиева А.Ю., Белова О.А., Кесьян А.А., Халидов А.Х., Ветошкин А.А., Викторова Н.В., Кулик А.А. Опыт использования MaxEntмодели для ранжирования территории Прикаспийского песчаного природного очага чумы (43) по риску регистрации эпизоотий. Проблемы особо опасных инфекций. 2024; (1):135–40. DOI: 10.21055/0370-1069-2024-1-135-140.

21. Bonicelli L., Porrello A., Vincenzi S., Ippoliti C., Iapaolo F., Conte A., Calderara S. Spotting virus from satellites: modeling the circulation of West Nile virus through Graph neural networks. IEEE Trans. Geosci. Rem. Sens. 2023; 99:1–11. DOI: 10.1109/TGRS.2023.3293270.

22. European Centre for Disease Prevention and Control. ECDC strategic framework for the integration of molecular and genomic typing into European surveillance and multi-country outbreak investigations – 2019–2021. Stockholm: ECDC; 2019.

23. de Jesus A.C.P., Fonseca P.L.C., Alves H.J., Bonfim D.M., Dutra J.V.R., Moreira F.R.R., de Brito Mendonça C.P.T., Rios J.S.H., do Prado Silva J., Malta F.S.V., Braga-Paz I., de Araújo J.L.F., de Oliveira J.S., de Souza C.S.A., da Silva S.E.B., Chaves D.C.C., da Silva Carvalho R., de Oliveira E.S., de Oliveira Ribeiro M., Arruda M.B., Alvarez P., Moreira R.G., de Souza R.P., Zauli D.A.G., Aguiar R.S. Retrospective epidemiologic and genomic surveillance of arboviruses in 2023 in Brazil reveals high co-circulation of chikungunya and dengue viruses. BMC Med. 2024; 22(1):546. DOI: 10.1186/s12916-024-03737-w.

24. Muthuirulandi Sethuvel D.P., Devanga Ragupathi N.K., Bakthavatchalam Y.D., Vijayakumar S., Varghese R., Shankar C., Jacob J.J., Vasudevan K., Elangovan D., Balaji V. Current strategy for local- to global-level molecular epidemiological characterisation of global antimicrobial resistance surveillance system pathogens. Indian J. Med. Microbiol. 2019; 37(2):147–62. DOI: 10.4103/ijmm.IJMM_19_396.

25. Besser J., Carleton H.A., Gerner-Smidt P., Lindsey R.L., Trees E. Next-generation sequencing technologies and their application to the study and control of bacterial infections. Clin. Microbiol. Infect. 2018; 24(4):335–41. DOI: 10.1016/j.cmi.2017.10.013.

26. D’Addiego J., Shah S., Pektaş A.N., Bağci B.N.K., Öz M., Sebastianelli S., Elaldı N., Allen D.J., Hewson R. Development of targeted whole genome sequencing approaches for Crimean-Congo haemorrhagic fever virus (CCHFV). Virus Res. 2024; 350:199464. DOI: 10.1016/j.virusres.2024.199464.

27. Koskela von Sydow A., Lindqvist C.M., Asghar N., Johansson M., Sundqvist M., Mölling P., Stenmark B. Comparison of SARS-CoV-2 whole genome sequencing using tiled amplicon enrichment and bait hybridization. Sci. Rep. 2023; 13(1):6461. DOI: 10.1038/s41598-023-33168-1.

28. Pérez-Losada M., Arenas M., Castro-Nallar E. Microbial sequence typing in the genomic era. Infect. Genet. Evol. 2018; 63:346–59. DOI: 10.1016/j.meegid.2017.09.022.

29. Tamura K., Peterson D., Peterson N., Stecher G., Nei M., Kumar S. MEGA5: molecular evolutionary genetics analysis using maximum likelihood, evolutionary distance, and maximum parsimony methods. Mol. Biol. Evol. 2011; 28(10):2731–9. DOI: 10.1093/molbev/msr121.

30. Bouckaert R., Heled J., Kühnert D., Vaughan T., Wu C.H., Xie D., Suchard M.A., Rambaut A., Drummond A.J. BEAST 2: a software platform for Bayesian evolutionary analysis. PLoS Comput. Biol. 2014; 10(4):e1003537. DOI: 10.1371/journal.pcbi.1003537.

31. Jansen van Vuren P., Ladner J.T., Grobbelaar A.A., Wiley M.R., Lovett S., Allam M., Ismail A., le Roux C., Weyer J., Moolla N., Storm N., Kgaladi J., Sanchez-Lockhart M., Conteh O., Palacios G., Paweska J.T. Phylodynamic analysis of Ebola virus disease transmission in Sierra Leone. Viruses. 2019; 11(1):71. DOI: 10.3390/v11010071.

32. Brault A.C., Huang C.Y., Langevin S.A., Kinney R.M., Bowen R.A., Ramey W.N., Panella N.A., Holmes E.C., Powers A.M., Miller B.R. A single positively selected West Nile viral mutation confers increased virogenesis in American crows. Nat. Genet. 2007; 39(9):1162–6. DOI: 10.1038/ng2097.

33. Hill S., Perkins M., von Eije K., editors. Genomic Sequencing of SARS-CoV-2: a guide to implementation for maximum impact on public health. Geneva: World Health Organization; 2021.

34. Giovanetti M., Faria N.R., Lourenço J., Goes de Jesus J., Xavier J., Claro I.M., Kraemer M.U.G., Fonseca V., Dellicour S., Thézé J., da Silva Salles F., Gräf T., Silveira P.P., do Nascimento V.A., Costa de Souza V., de Melo Iani F.C., Castilho-Martins E.A., Cruz L.N., Wallau G., Fabri A., Levy F., Quick J., de Azevedo V., Aguiar R.S., de Oliveira T., Bôtto de Menezes C., da Costa Castilho M., Terra T.M., Souza da Silva M., Bispo de Filippis A.M., Luiz de Abreu A., Oliveira W.K., Croda J., Campelo de Albuquerque C.F., Nunes M.R.T., Sabino E.C., Loman N., Naveca F.G., Pybus O.G., Alcantara L.C. Genomic and epidemiological surveillance of Zika virus in the Amazon region. Cell Rep. 2020; 30(7):2275–83. DOI: 10.1016/j.celrep.2020.01.085.

35. Jin X., Wah B.W., Cheng X., Wang Y. Significance and challenges of big data research, Big Data Res. 2015; 2(2):59–64. DOI: 10.1016/j.bdr.2015.01.006.

36. Fosso Wamba S., Akter S., Edwards A., Chopin G., Gnanzou D. How ‘big data’ can make big impact: findings from a systematic review and a longitudinal case study. Int. J. Prod. Econ. 2015; 165:234–46. DOI: 10.1016/j.ijpe.2014.12.031.

37. De Mauro A., Greco M., Grimaldi M. A formal definition of Big Data based on its essential features. Libr. Rev. 2016; 65(3):122– 35. DOI: 10.1108/LR-06-2015-0061.

38. Asokan G.V., Mohammed M.Y. Chapter 16 – harnessing big data to strengthen evidence-informed precise public health response. In: Moustafa A.A., editors. Big Data in Psychiatry & Neurology. Academic Press; 2021. P. 325–37.

39. Asokan G.V., Asokan V. Leveraging “big data” to enhance the effectiveness of “one health” in an era of health informatics. J. Epidemiol. Glob. Health. 2015; 5(4):311–4. DOI: 10.1016/j. jegh.2015.02.001.

40. Althouse B.M., Scarpino S.V., Meyers L.A., Ayers J.W., Bargsten M., Baumbach J., Brownstein J.S., Castro L., Clapham H., Cummings D.A., Del Valle S., Eubank S., Fairchild G., Finelli L., Generous N., George D., Harper D.R., Hébert-Dufresne L., Johansson M.A., Konty K., Lipsitch M., Milinovich G., Miller J.D., Nsoesie E.O., Olson D.R., Paul M., Polgreen P.M., Priedhorsky R., Read J.M., Rodríguez-Barraquer I., Smith D.J., Stefansen C., Swerdlow D.L., Thompson D., Vespignani A., Wesolowski A. Enhancing disease surveillance with novel data streams: challenges and opportunities. EPJ Data Sci. 2015; 4(1):17. DOI: 10.1140/epjds/s13688-015-0054-0.

41. Zhou X., Lee E.W.J., Wang X., Lin L., Xuan Z., Wu D., Lin H., Shen P. Infectious diseases prevention and control using an integrated health big data system in China. BMC Infect. Dis. 2022; 22(1):344. DOI: 10.1186/s12879-022-07316-3.

42. Bertino E. Data security and privacy: concepts, approaches, and research directions. In: 2016 IEEE 40th Annual Computer Software and Applications Conference (COMPSAC). IEEE; 2016. P. 400–7. DOI: 10.1109/COMPSAC.2016.89.

43. Bezbaruah R., Ghosh M., Kumari S., Nongrang L., Ali S.R., Lahiri M., Waris H., Kakoti B.B. Role of AI and ML in epidemics and pandemics. In: Chavda V., Anand K., Apostolopoulos V., editors. Bioinformatics Tools for Pharmaceutical Drug Product Development. Wiley; 2023. P. 345–69. DOI: 10.1002/9781119865728.ch15.

44. Kohavi R., Provost F. Glossary of terms. Mach. Learn. 1998; 30(2/3):271–4. DOI: 10.1023/A:1017181826899.

45. Wang M., Wang T., Cai P., Chen X. Nanomaterials discovery and design through machine learning. Small Methods. 2019; 3(5):1900025. DOI: 10.1002/smtd.201900025.

46. Singh R., Singh R. Applications of sentiment analysis and machine learning techniques in disease outbreak prediction – A review. Mater. Today Proc. 2023; 81:1006–11. DOI: 10.1016/j. matpr.2021.04.356.

47. Rashidi H.H., Tran N., Albahra S., Dang L.T. Machine learning in health care and laboratory medicine: General overview of supervised learning and Auto-ML. Int. J. Lab. Hematol. 2021; 43(Suppl. 1):15–22. DOI: 10.1111/ijlh.13537.

48. Hoyos W., Aguilar J., Toro M. Dengue models based on machine learning techniques: A systematic literature review. Artif. Intell. Med. 2021; 119:102157. DOI: 10.1016/j.artmed.2021.102157.

49. Raja D.B., Mallol R., Ting C.Y., Kamaludin F., Ahmad R., Ismail S., Jayaraj V.J., Sundram B.M. Artificial intelligence model as predictor for dengue outbreaks. Malaysian J. Public Health Med. 2019; 19(2):103–8. DOI: 10.37268/mjphm/vol.19/no.2/art.176.

50. Зуенкова Ю.А. Опыт и перспективы применения цифровых двойников в общественном здравоохранении. Менеджер здравоохранения. 2022; (6):69–77. DOI: 10.21045/1811-0185-2022-6-69-77.

51. Wanasinghe T.R., Gosine R.G., James L.A., Mann G.K.I., De Silva O., Warrian P.J. The internet of things in the oil and gas industry: a systematic review. IEEE Internet Things J. 2020; 7(9):8654–73. DOI: 10.1109/JIOT.2020.2995617.

52. Aloi G., Caliciuri G., Fortino G., Gravina R., Pace P., Russo W., Savaglio C. Enabling IoT interoperability through opportunistic smartphone-based mobile gateways. J. Netw. Comput. Appl. 2017; 81:74–84. DOI: 10.1016/j.jnca.2016.10.013.

53. Yu X., Zhang S., Guo W., Li B., Yang Y., Xie B., Li K., Zhang L. Recent advances on functional nucleic-acid biosensors. Sensors (Basel). 2021; 21(21):7109. DOI: 10.3390/s21217109.

54. Rahman M.S., Peeri N.C., Shrestha N., Zaki R., Haque U., Hamid S.H.A. Defending against the novel coronavirus (COVID‑19) outbreak: how can the internet of things (IoT) help to save the world? Health Policy Technol. 2020; 9(2):136–8. DOI: 10.1016/j. hlpt.2020.04.005.

55. Sareen S., Sood S.K., Gupta S.K. IoT-based cloud framework to control Ebola virus outbreak. J. Ambient Intell. Humaniz. Comput. 2018; 9(3):459–76. DOI: 10.1007/s12652-016-0427-7.