Досліджено проблеми підтримки прийняття рішень для епідеміологічної діагностики. Основою для підтримки прийняття відповідальних рішень є математичні засоби аналізу даних захворюваності, а також моделювання епідемічних процесів. Проаналізовано поточний стан досліджень у цій галузі. Формалізовано особливості прийняття рішень у сфері епідеміології та охорони громадського здоров'я. Запропоновано принципи розроблення інтелектуальної інформаційної системи підтримки прийняття рішень для епідеміологічної діагностики. Розроблено системну модель, модель взаємодії елементів системи епідеміологічної діагностики та взаємодії логічних компонент інформаційної системи. З урахуванням виявлених особливостей зазначених процесів запропоновано концепцію архітектури цієї інтелектуальної інформаційної системи.

Запропоновано компоненти інтелектуальної системи підтримки прийняття рішень для епідеміологічної діагностики та досліджено їхню взаємодію з користувачем. До складових системи включено банк моделей і методів машинного навчання, банк моделей популяційної динаміки, засоби візуалізації та формування звітів, блок формування управлінських рішень. Надано загальну концепцію інформаційної технології для гарантування біобезпеки населення. Розроблено модель варіантів використання зазначеної інформаційної технології користувачем і побудовано діаграму послідовностей. Запропоновано модель компонентів інформаційної технології та шляхи їх розгортання на сервері.

Глобальна пандемія COVID-19 почалася в грудні 2019 року і стрімко поширилася по всьому світу. У всьому світі захворіли понад 230 мільйонів людей, 4,75 мільйона випадків закінчились летальним результатом. Крім загрози здоров'ю наслідком пандемії стали соціальні проблеми, економічна криза і перехід звичного життя в "нову реальність". Математичне моделювання є ефективним інструментом для контролю епідемічного процесу COVID-19 на заданих територіях. Моделювання дозволяє спрогнозувати майбутню динаміку епідемічного процесу і виявити фактори, які впливають на підвищення захворюваності найбільшим чином. Результати моделювання дозволяють фахівцям громадської охорони здоров'я вживати ефективні науково обгрунтовані заходи щодо стримування епідемії. Мета статті - розробка моделей машинного навчання і компартментних моделей епідемічного процесу COVID-19, а також дослідження експериментальних результатів моделювання. Об'єкт дослідження - епідемічний процес COVID-19 і його динаміка на території України. Предмет дослідження - моделі і методи моделювання епідемічних процесів, в тому числі методи машинного навчання і компартментні моделі. Для досягнення мети дослідження ми використовували методи прогнозування машинного навчання і побудували модель лінійної регресії епідемічного процесу COVID-19 і модель SIR епідемічного процесу COVID-19. В результаті експериментів з розробленими моделями була отримана прогнозна динаміка епідемічного процесу COVID-19 на 30 днів для підтверджених випадків, тих, що видужали і летальних. Для випадків "Підтверджений", "Той, що видужав" і "летальний" середні помилки мають відхилення 1,15, 0,037 і 1,39 відсотка відповідно в результаті моделі лінійної регресії. Для випадків "Підтверджений", "Той, що видужав" і "Летальний" середні помилки мають відхилення 3,29, 1,08 і 0,71 відсотка відповідно для моделі SIR. Висновки. На даному етапі розвитку епідемічного процесу COVID-19 для прогнозування захворюваності доцільніше використовувати модель лінійної регресії, яка показала більш високу точність і ефективність. Як правило, причина цього полягає в тому, що використана модель лінійної регресії для цього дослідження була реалізована лише за 30 днів (за 15 днів до 2 березня), а не з використанням всього набору даних COVID-19. Крім того, очікується, що якщо ми спробуємо прогнозувати в більш тривалих часових діапазонах, модель лінійної регресії втратить точність. Як альтернатива, оскільки модель SIR включає більшу кількість факторів, очікується, що модель буде краще працювати при прогнозуванні на більш тривалі часові діапазони.

Спалах нової коронавірусної інфекції був вперше зареєстрований в Ухані, Китай, у грудні 2019 року. 30 січня 2020 року Всесвітня організація охорони здоров'я оголосила спалах надзвичайною ситуацією в галузі громадської охорони здоров'я, що має міжнародне значення, а 11 березня - пандемією. Станом на січень 2022 року у всьому світі зареєстровано понад 340 мільйонів випадків; підтверджено понад 5,5 мільйонів смертей, що робить пандемію COVID-19 однією з найбільш смертоносних в історії. Цифровізація всіх сфер суспільства дає можливість використовувати математичне та імітаційне моделювання вивчення розвитку вірусу. Побудова адекватних моделей епідемічного процесу дозволить не тільки прогнозувати його динаміку, але й проводити експериментальні дослідження з виявлення факторів, що впливають на розвиток пандемії, визначати поведінку вірусу на окремих територіях, оцінювати ефективність заходів, спрямованих на припинення поширення інфекції, а також оцінити ресурси, необхідні для протидії епідемічного зростання захворювання. Мета статті - розробка трьох регресійних моделей епідемічного процесу COVID-19 на заданих територіях та дослідження експериментальних результатів моделювання. Об'єкт дослідження - епідемічний процес COVID-19. Предмет дослідження - моделі та методи моделювання епідемічного процесу, що включають методи машинного навчання: лінійну регресію, Рідж регресію та регресію Лассо. Для досягнення мети дослідження ми використовували методи прогнозування та побудували регресійні моделі епідемічного процесу COVID-19. В результаті експериментів з розробленими моделями було отримано прогнозну динаміку епідемічного процесу COVID-19 в Україні, Німеччині, Японії та Південній Кореї на 3, 7, 10, 14, 21 та 30 днів. Такий прогноз може бути використаний особами, що приймають рішення про впровадження протиепідемічних заходів, для вирішення завдань оперативного аналізу епідемічної ситуації, аналізу ефективності вже реалізованих протиепідемічних заходів, середньострокового планування ресурсів, необхідних для боротьби з пандемією, тощо. Висновки: описано експериментальні дослідження реалізації трьох регресійних моделей епідемічного процесу COVID-19. Це моделі лінійної регресії, регресії Ріджа та регресії Лассо. Моделі були перевірені щоденною статистикою нових випадків COVID-19 в Україні, Німеччині, Японії та Південній Кореї, наданої Ресурсним центром з коронавірусу Університету Джона Хопкінса. Всі побудовані моделі мають достатню точність для прийняття рішень щодо проведення протиепідемічних заходів щодо боротьби з пандемією COVID-19 на вибраній території. Залежно від періоду прогнозу регресійні моделі можуть використовуватися для вирішення різних завдань громадської охорони здоров'я.