Аннотация
Искусственный интеллект (ИИ) играет все более важную роль в современной медицине, особенно в эпидемиологии, благода-
ря своей способности анализировать в реальном времени большие объемы эпидемиологических данных, выявлять тенденции
и закономерности, прогнозировать возникновение и развитие сложных процессов, эпидемий и пандемий, и помогать в под-
готовке решений для их контроля и предотвращения.
Наблюдаемое в последние годы активное использование технологий и методов ИИ, в частности машинного обучения и ней-
росетей, для развития и совершенствования системы саннитарно-эпидемиологического надзора позволяет улучшить про-
цессы мониторинга, анализа и прогнозирования распространения инфекционных заболеваний, в т.ч. способных вызвать гло-
бальные пандемии, такие как грипп и COVID-19. Эти методы применяются как для раннего выявления вспышек инфекций,
определения текущих рисков для населения, так и для разработки стратегий эпидемиологического контроля, которые при
соблюдении необходимой конфиденциальности и этических норм работы с медицинскими данными могут способствовать
быстрому и эффективному реагированию на угрозы общественному здоровью, а также поиску инновационных подходов и
методов борьбы с инфекциями. Таким образом, применение ИИ в эпидемиологическом надзоре имеет широкие перспективы,
помогая усилить его эффективность и сберечь время и ресурсы, необходимые для разработки противоэпидемических мер.
Annotation
Artificial Intelligence (AI) is playing an increasingly important role in modern medicine, particularly in epidemiology, due to its ability
to analyze large volumes of epidemiological data in real-time, identify trends and patterns, predict the emergence and development of
complex processes, epidemics and pandemics, and assist in preparing solutions for their control and prevention.
The active use of AI technologies and methods in recent years, particularly machine learning and neural networks, for the development
and improvement of the sanitary and epidemiological surveillance system allows for better monitoring, analysis, and forecasting of the
spread of infectious diseases, including those capable of causing global pandemics, such as influenza and COVID-19. These methods
are employed for early detection of infection outbreaks, assessing current risks to the population, and developing epidemiological
control strategies, which, while ensuring necessary confidentiality and ethical standards in handling medical data, can facilitate rapid
and effective responses to public health threats, as well as the search for innovative approaches and methods to combat infections.
Thus, the application of AI in epidemiological surveillance has broad prospects, helping to strengthen its effectiveness and to save time
and resources needed for the development of anti-epidemic measures.
Key words: artificial intelligence, sanitary and epidemiological surveilance, ethics, coronavirus
Список литературы
Л И Т Е Р А Т У Р А (ПП. 1 , 5 , 1 0 — 1 5 , 1 7 ,
2 0 , 2 6 — 2 8 СМ. R E F E R E N C E S )
2. Фершт В.М., Латкин А.П., Иванова В.Н. Современные подходы
к использованию искусственного интеллекта в медицине. Терри-
тория новых возможностей. Вестник Владивостокского государ-
ственного университета экономики и сервиса. 2020; 12(1): 121–30.
DOI: 10.24866/VVSU/2073-3984/2020-1/121-130
3. Алексеева М.Г., ЗубовА.И., Новиков М.Ю. Искусственный ин-
теллект в медицине. Международный научно-исследовательский
журнал. 2022; 7-2(121): 10-13. https://research-journal.org/archive/7-
121-2022-july/artificial-intelligence-in-medicine (дата обращения:
05.08.2024). DOI: 10.23670/IRJ.2022.121.7.038
4. Мамедова Л.Э., Иванова Л.Н., Алтаев Е.С. Основные аспекты тех-
нологии искусственного интеллекта. Известия высших учебных
заведений. Серия «Экономика, финансы и управление производ-
ством». 2023; 57(3): 78-88. DOI: 10.6060/ivecofin.2023573. 656.
6. Постановление Правительства РФ от 30 июня 2021 г. № 1100 «О
федеральном государственном санитарно-эпидемиологическом
контроле (надзоре)» http://government.ru/docs/all/135469/ (дата об-
ращения: 05.08.2024)
7. Симонова Е.Г. Современный этап развития эпидемиологического
надзора и перспективы его совершенствования. Эпидемиология и
вакцинопрофилактика. 2017; 16(4): 4-7. DOI: 10.31631/2073-3046-
2017-16-4-4-7
8. Гусев А.В. Перспективы нейронных сетей и глубокого машинного
обучения в создании решений для здравоохранения. Врач и инфор-
мационные технологии. 2017; 3: 92-105.
9. Кузин А. А., Глушаков Р. И., Парфенов С. А., Сапожников К. В.,
Лазарев А. А. Разработка системы прогноза развития инфекци-
онных заболеваний на основе искусственного интеллекта. Фун-
даментальная и клиническая медицина. 2023; 8(3): 143-154. DOI:
10.23946/2500-0764-2023-8-3-143-154.
16. Марданлы С.Г. Эпидемиологический надзор за инфекциями
TORCH-группы на основе современных технологий лаборатор-
ной диагностики. Автореф. дисс. на соискание ученой степени
доктора медицинских наук . ЦНИИЭ МЗ РФ. М., 2016.
18. Корчажкина О.М. Исследование экстремальных условий протека-
ния деструктивных процессов с помощью SIR-модели. Современ-
ные информационные технологии и ИТ-образование. 2020; 16(3):
610–22.
19. Гаврилов Д.В., Абрамов Р.В., Кирилкина А.В., Ившин А.А., Но-
вицкий Р.Э. Модель прогнозирования пандемии COVID-19 на ос-
нове машинного обучения в отдельных регионах Российской Фе-
дерации. Фармакоэкономика. Современная фармакоэкономика и
фармакоэпидемиология. 2021; 14(3): 342–56. DOI: 10.17749/2070-
4909/farmakoekonomika. 2021. 108
21. Акиншина Ю.А., Марданлы С.Г., Ротанов С.В., Гашенко Т.Ю.
Одноэтапное выявление маркеров возбудителей острых ки-
шечных вирусных инфекций у человека. Эпидемиология и
инфекционные болезни. 2024; 29 (2): 97-106. DOI: https://DOI.
org/10.51620/3034-1981-2024-29-2-97-106
22. Бакаев В.В., Марданлы С.Г., Ханина М.А., Гашенко Т.Ю., и
Жигалева О.Н. Эпидемиологические исследования в контексте
пандемии COVID-19 и эпидемий гриппа: от настоящего к бу-
дущему (обзор литературы). Эпидемиология и инфекционные
болезни. 2024; 29(1): 5-9. DOI: 10.51620/EIB-2024-29-1-5-9
23. Жигалева О.Н., Ермолаев И.И., Марданлы С.Г., Гашенко Т.Ю., По-
мазанов В.В.Разработка набора реагентов для обнаружения РНК
вируса SARS-CoV-2 в назо- и орофарингеальных мазках методом
прямой полимеразной цепной реакции в режиме реального време-
ни. Клиническая лабораторная диагностика. 2022; 67(12): 739-43.
DOI: 10.51620/0869-2084-2022-67-12-739-743
24. Марданлы С.Г., Попова Т.В. Разработка иммуноферментной
системы для выявления специфических IgG к коронавирусу
SARS-COV-2 методом иммунного блоттинга в формате «line
blot». Эпидемиология и Вакцинопрофилактика. 2022; 21(4):
103-12. DOI: 10.31631/2073-3046-2022-21-4-103-112
25. Кутырев В.В., Попова А.Ю., Смоленский В.Ю., Ежлова Е.Б., Де-
мина Ю.В., Сафронов В.А., Карнаухов И.Г., Иванова А.В., Щер-
бакова С.А. Эпидемиологические особенности новой коронави-
русной инфекции (COVID-19). Сообщение 1: Модели реализации
профилактических и противоэпидемических мероприятий. Про-
блемы особо опасных инфекций. 2020; 1: 6-13. DOI: 10.21055/0370-
1069-2020-1-6-13
26. Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения про-
граммного обеспечения с технологией искусственного интеллек-
та. Качественная клиническая практика. 2021; 1: 70-84.
30. https://www.rospotrebnadzor.ru/about/info/news/news_details.
php?ELEMENT_ID=26297. (дата обращения: 05.08.2024)
31. https://www.pnp.ru/social/sledstvie-vedyot-rospotrebnadzor.html (да-
та обращения: 05.08.2024)
32. https:/sudact.ru/law/pasport-federalnogo-proekta-iskusstvennyiintellekt-
natsionalnoi-programmy (дата обращения: 05.08.2024)
R E F E R E N C E S
1. Thiebout R., Thiessard F., Artificial intelligence in public health and
epidemiology. IMIA Yearbook of Medical Informatics. 2018; 27(1):
207–9. DOI: 10.1055/s-0038-1667082 (in Russ.)
ЭПИДЕМИОЛОГИЯ И ИНФЕКЦИОННЫЕ БОЛЕЗНИ, 2024; 29(3)
https://doi.org/10.51620/3034-1981-2024-29-3-126-134
ЭПИДЕМИОЛОГИЯ
134
2. Fersht V.M., Latkin A.P., Ivanova V.N. Modern approaches to the use
of artificial intelligence in medicine. Bulletin of Vladivostok State
University of Economics and Service. 2020; 12(1): 121-30. DOI:
10.24866/VVSU/2073-3984/2020-1/121-130 (in Russ.)
3. Alekseeva M.G., Zubov A.I., Novikov M.Yu. Artificial intelligence in medicine.
Mezhdunarodnyj nauchno-issledovatel’skij zhurnal. 2022; 7-2(121):
10-13. https://research-journal.org/archive/7-121-2022-july/artificial-intelligence-
in-medicine. DOI: 10.23670/ IRJ.2022.121.7. 038 (in Russ.)
4. Mamedova L.E., Ivanova L.N., Altaev E.S. Key aspects of artificial
intelligence technology. Izvestija vysshih uchebnyh zavedenij. Serija
«Jekonomika, finansy i upravlenie proizvodstvom». 2023; 57(3): 78-88.
DOI: 10.6060/ivecofin.2023573.656 (in Russ.)
5. Beam A.L., Kohane A.S. Big data and machine learning in health care.
JAMA. 2018; 319(13): 1317-18. DOI: 10.1001/jama.2017.18391
6. Resolution of the Government of the Russian Federation dated June 30,
2021; No. 1100 «On Federal State Sanitary and Epidemiological Control
(Surveillance)» http://government.ru/docs/all/135469/ (accessed:
05.08.2024) (in Russ.)
7. Simonova E.G. The modern stage of development of epidemiological
surveillance and the prospects for its improvement. Jepidemiologija
i vakcinoprofilaktika. 2017; 16(4): 4-7. DOI: 10.31631/2073-3046-
2017-16-4-4-7 (In Russ.)
8. Gusev A.V. Prospects of neural networks and deep machine learning
in creating solutions for healthcare. Vrach i informacionnye tehnologii.
2017; 3: 92-105. (in Russ.)
9. Kuzin A.A., Glushakov R.I., Parfenov S.A., Sapozhnikov K.V., Lazarev
A.A. Development of a system for forecasting the development of
infectious diseases based on artificial intelligence. Fundamental’naja
i klinicheskaja medicina. 2023; 8(3): 143-154. DOI: 10.23946/2500-
0764-2023-8-3-143-154 (in Russ.)
10. Heesterbeek H, Anderson R.M., Andreasen V, Bansel S, De Angelis
D, Dye C, et al. Modeling infectious disease dynamics in the complex
landscape of global health. Science. 2015; 347: aaa4339. DOI:
10.1126/science.aaa4339
11. Chiung Ching Ho, Choo-Yee Ting, and Dhesi Baha Raja. Using public
open data to predict Dengue epidemic: Assessment of weather variability,
population density, and land use as predictor variables for Dengue
outbreak prediction using support Vector machine. Indian J. Sci. Technol.
2018; 11(4): 1-8. DOI: 10.17485/ijst/2018/v11i4/115405
12. Halasa T., Dürr S. Editorial: Modeling disease spread and control.
Front Vet. Sci. 2017; 21(4): 199. DOI: 10.3389/fvets.2017.00199.
13. Weimken T.L., Kelley R. R. Machine learning in epidemiology and
health outcome research. Annual Review of Public Health. 2019;
41(1): 21-36. DOI:10.1146/annurev-publhealth-040119-094437
14. Tessmer H.L., Ito K., Omori R. Can machines learn respiratory virus
epidemiology?: A comparative study of likelihood-free methods for the
estimation of epidemiological dynamics. 2018; Front. Microbiol. 9:
343. DOI: 10.3389/fmicb.2018.00343
15. Giuste F., Shi W., Zhu Y., Naren T., Isgut M., Sha Y., Tong L., Gupte
M., Wang M.D. Explainable Artificial Intelligence methods in combating
pandemics: A Systematic Review. IEEE Rev. Biomed. Eng. 2023;
16: 5-21. DOI: 10.1109/RBME.2022.3185953
16. Mardanly S.G. Epidemiological surveillance of TORCH group
infections based on modern laboratory diagnostic technologies.
Author’s abstract of the dissertation for the degree of Doctor of Medical
Sciences. Central Research Institute of Epidemiology of the Ministry
of Health of the Russian Federation. Moscow, 2016. (in Russ.)
17. Murakami, T., Sakuragi, S., Deguchi, H., Nakata M. Agent-based model
using GPS analysis for infection spread and inhibition mechanism
of SARS-CoV-2 in Tokyo. Sci Rep. 2022; 12, 20896. https://DOI.
org/10.1038/s41598-022-25480-z
18. Korchazhkin O.M. Study of extreme conditions of destructive processes
using the SIR model. Sovremennye informacionnye tehnologii
i IT-obrazovanie. 2020; 16(3): 610–22. (in Russ.)
19. Gavrilov D.V., Abramov R.V., Kirilkina A.V., Ivshin A.A., Novitsky
R.E. Model for forecasting the COVID-19 pandemic based on machine
learning in individual regions of the Russian Federation. Pharmacoeconomics.
Sovremennaja farmakojekonomika i farmakojepidemiologija.
2021; 14(3): 342–56. DOI: 10.17749/2070-4909/farmakoekonomika.
2021.108 (in Russ.)
20. Thadani, N.N., Gurev, S., Notin, P. et al. Learning from prepandemic
data to forecast viral escape. Nature. 2023; 622, 818–25. DOI: 10.1038/
s41586-023-06617-0
21. Akinshina Yu.A., Mardanly S.G., Rotanov S.V., Gashenko T.Yu. Onestage
detection of marcers of causes of acute intestinal viral infection in
humans. Epidemiologiya I infektsionnye bolezni. 2024; 29 (2): 97-106
(in Russian) DOI: https://DOI.org/10.51620/3034-1981-2024-29-2-
97-106. (in Russ.)
22. Bakayev V.V., Mardanly S.G., Khanina M.A., Gashenko T.Yu., Zhigaleva
O.N. Epidemiological studies in the context of the COVID-19
pandemic and influenza epidemics: from present to future (review of
literature). Epidemiologiya i Infektsionnye bolezni. 2024; 29(1): 5-9.
DOI: 10.51620/EIB-2024-29-1-5-9 (in Russ.)
23. Zhigaleva O.N., Ermolaev I.I., Mardanly S.G., Gashenko T.Yu., Pomazanov
V.V. Development of a set of reagents for the detection of SARSCoV-
2 virus RNA in naso- and oropharyngeal smears using direct
polymerase chain reaction in real time. Klinicheskaya Laboratornaya
Diagnostika. 2022; 67(12): 739-43. DOI: 10.51620/0869-2084-2022-
67-12-739-743 (in Russ.)
24. Mardanly S.G., Popova T.V. Development of an enzyme-linked immunosorbent
system for the detection of specific IgG to the SARSCoV-
2 coronavirus by immunoblotting in the «line blot» format.
Epidemiologiya i Vaktsinoprofilaktika. 2022; 21(4): 103-12. DOI:
10.31631/2073-3046-2022-21-4-103-112 (in Russ.)
25. Kutyrev V.V., Popova A.Yu., Smolensky V.Yu., Ezhlova E.B., Demina
Yu.V., Safronov V.A., Karnaukhov I.G., Ivanova A.V., Shcherbakova
S.A. Epidemiological features of the new coronavirus infection (COVID-
19). Message 1: Models for the implementation of preventive and
anti-epidemic measures. Problemy osobo opasnykh infektsiy. 2020; 1:
6-13. DOI: 10.21055/0370-1069-2020-1-6-13 (in Russ.)
26. Khokhlov A.L., Belousov D.Yu. Ethical aspects of using software with
artificial intelligence technology. Kachestvennaja klinicheskaja praktika.
2021; 1: 70-84. (in Russ.)
27. Smuha N.A. The EU approach to ethics guidelines for Trustworthy Artificial
Intelligence. Comput. Law Rev. Int. 2019; 20(4): 97-106. DOI:
10.9785/cri-2019-200402
28. Tzachor, A., Whittlestone, J., & Sundaram, L. Artificial intelligence in
a crisis needs ethics with urgency. Nature Machine Intelligence. 2020;
2(7), 365-66. DOI: 10.1038/s42256-020-0195-0
29. Stephen Cave, Jess Whittlestone, Rune Nyhuus et al. Ethical use of AI
to combat COVID-19. BMJ. 2021; 372: n364. DOI: 10.1136/bmj.n364
30. https://www.rospotrebnadzor.ru/about/info/news/news_details.
php?ELEMENT_ID=26297.
31. https://www.pnp.ru/social/sledstvie-vedyot-rospotrebnadzor.html
32. https:/sudact.ru/law/pasport-federalnogo-proekta-iskusstvennyi-intellekt-
natsionalnoi-programmy