Mathematics in epidemiology provides a fundamental basis for understanding the patterns of infectious disease spread, predicting morbidity dynamics, and evaluating the effectiveness of anti-epidemic measures. The use of quantitative methods — from classical deterministic models to stochastic simulations and agent-based approaches — makes it possible to formalize infection transmission processes, calculate key epidemiological indicators (basic reproduction number R0, effective spread rate), and optimize vaccination, quarantine, and treatment strategies. Modern mathematical models are actively used in healthcare resource planning, herd immunity threshold assessment, and pandemic scenario analysis.

Keywords: epidemiological modeling, SIR model, basic reproduction number, stochastic processes, agent-based modeling, pandemic forecasting, vaccination, herd immunity.

Математика в эпидемиологии выполняет функцию универсального языка, позволяющего описывать распространение инфекций количественно. Благодаря математическим моделям удаётся формализовать динамику заболеваемости, оценивать влияние различных противоэпидемических мероприятий и прогнозировать исходы. В свою очередь, статистика помогает выявлять причинно-следственные связи, отличать реальные эпидемические тенденции от случайных колебаний.

Уже долгое время математика воспринимается как ключевой способ переведения эпидемиологических процессов в формализуемую систему. Она позволяет описывать динамику инфекций количественно, а не только на уровне наблюдений. Математика состоит из множества разделов и направлений, практически каждый из них находит применение в современной эпидемиологии.

Именно статистика считается базой доказательной эпидемиологии, так как она отделяет случайность от закономерности. С помощью статистики определяется требуемый объём выборки для серологических исследований, чтобы результат был надёжным. Доверительные интервалы показывают, насколько можно быть уверенным в оценках заболеваемости. Методы рандомизации исключают предвзятость при оценке эффективности вакцин. Без статистики любое эпидемиологическое исследование превращается в набор субъективных наблюдений.

Математическое моделирование позволяет воссоздать процессы, которые невозможно наблюдать напрямую. Например, модели распространения инфекций описывают передачу возбудителя с учётом контактной структуры популяции, длительности инкубационного периода и иммунного ответа. Эпидемиологические модели помогают изучать динамику заболеваемости и реакции системы здравоохранения на вспышки. Математика позволяет учитывать десятки переменных — что делает модели приближенными к реальности [1].

Также можно сказать, что математика влияет на разработку стратегий вакцинации. Модели иммунизации позволяют прогнозировать, какой охват населения необходим для достижения коллективного иммунитета. Фармако-эпидемиологические модели описывают связь между долей привитых и снижением заболеваемости в популяции [2].

Эпидемиология напрямую зависит от математических моделей распространения инфекций. Модели типа SIR делят население на группы — восприимчивые, заражённые и выздоровевшие — и позволяют прогнозировать скорость распространения заболевания. Более сложные модификации, такие как SEIR, добавляют группу контактировавших в инкубационном периоде, что особенно важно для инфекций с длительным латентным периодом.

Отдельного внимания заслуживает математическое описание эволюции возбудителя в ходе эпидемии. Вирусы и бактерии способны мутировать, и некоторые варианты могут обладать повышенной трансмиссивностью (способностью передаваться) или способностью ускользать от иммунного ответа, сформированного вакцинацией или перенесённым заболеванием. Математические модели, основанные на теории ветвящихся процессов и уравнениях популяционной генетики, позволяют прогнозировать, с какой вероятностью и как быстро доминирующий штамм сменится новым. Для этого используются стохастические модели отбора, в которых различные варианты возбудителя конкурируют между собой. Входные параметры таких моделей — относительная репродуктивная способность каждого варианта (насколько быстрее он распространяется по сравнению с исходным штаммом) и степень перекрёстного иммунитета (защищает ли старая инфекция от новой). Результаты моделирования помогают эпидемиологам своевременно корректировать прогнозы заболеваемости и оценивать, потребуется ли обновление вакцинных составов [3].

Ещё одна важная задача, решаемая с помощью математики в эпидемиологии, — это коррекция официальных статистических данных на неполноту регистрации. В любой эпидемии часть инфицированных протекает бессимптомно или с лёгкими симптомами, не обращаясь за медицинской помощью, поэтому официальное число случаев занижено. Математические методы позволяют оценить истинный масштаб заражения. Для этого применяются подходы на основе опросов (серологические исследования, где измеряется доля людей с антителами) и статистические модели, экстраполирующие данные выборочных обследований на всю популяцию. Также используются модели, учитывающие задержки между заражением, появлением симптомов, обращением за помощью и регистрацией случая. С помощью таких корректировок уточняется коэффициент летальности (доля умерших среди всех инфицированных) и строятся более реалистичные прогнозы развития эпидемии. Без математической коррекции эпидемиологические показатели могут быть занижены в несколько раз, что приводит к ошибочным управленческим решениям [4].

Отдельного внимания заслуживает сфера анализа больших эпидемиологических данных. Математика является основой анализа массивов данных о заболеваемости, мобильности населения и генетических последовательностях возбудителей. Методы регрессии, кластеризации и факторного анализа выявляют скрытые паттерны распространения. С помощью математических подходов выявляются группы риска и взаимосвязи между параметрами окружающей среды и заболеваемостью [5].

В диагностике эпидемической ситуации математика играет роль инструмента, который помогает увидеть скрытые закономерности в эпидемиологических данных. С её помощью автоматизированные алгоритмы способны сравнивать текущие показатели заболеваемости с многолетними базами данных. При анализе временных рядов математические методы формируют количественные характеристики — например, скорость роста, показатель воспроизводства, индекс летальности, — что позволяет выделять тревожные тенденции с высокой точностью. Статистические оценки указывают эпидемиологу, насколько выявленное изменение может быть значимым. Нередко математические модели фиксируют начало вспышки за несколько дней до того, как она становится очевидной при визуальном анализе [6].

В организации противоэпидемических мероприятий математические модели выполняют роль виртуального полигона, где можно заранее просчитать, как поведёт себя эпидемия в ответ на те или иные вмешательства. Цифровые модели распространения инфекции позволяют эпидемиологам рассматривать различные сценарии и тестировать варианты ограничительных мер. Расчёт эпидемиологических показателей помогает предугадать, насколько эффективными будут масочный режим, социальное дистанцирование или закрытие школ. Модели гемодинамики эпидемического процесса дают возможность оценить вероятность перегрузки системы здравоохранения.

В целом, математические методы применяются во всех сферах эпидемиологии. Например, анализ пространственного распространения инфекций активно использует математический аппарат для оценки того, как заболевание перемещается между регионами. Алгоритмы кластеризации изучают географическую структуру заболеваемости, позволяя фиксировать малейшие очаговые скопления. Модели метапопуляций помогают воссоздавать перемещение возбудителя между городами и странами и предсказывать, какие территории окажутся под наибольшим ударом [7].

Особую практическую ценность представляют математические модели, предназначенные для количественной оценки результативности карантинных ограничений. В отличие от простого сравнения заболеваемости «до» и «после» введения мер, математический подход позволяет рассчитать контрфактический сценарий — то есть предсказать, сколько случаев удалось предотвратить благодаря вмешательству. Для этого используются модели с переключением режимов, где параметр передачи инфекции β уменьшается в определённый момент времени. Сравнивая реальное число заражённых с тем, что предсказывает модель без вмешательства, эпидемиологи получают оценку эффективности карантина в цифрах. Более того, с помощью оптимизационных алгоритмов можно рассчитать, какую интенсивность ограничений нужно сохранить, чтобы удержать репродуктивный индекс Rt ниже единицы при минимальных социально-экономических издержках. Такие расчёты неоднократно применялись в ходе пандемии COVID-19 для обоснования решений о введении или снятии локдаунов.

Отдельного внимания заслуживают управленческие процессы в контексте органов здравоохранения и противоэпидемических служб. Модели теории очередей показывают, где могут возникать узкие места и как распределить потоки пациентов с подозрением на инфекцию, чтобы люди меньше ждали тестирования. Методы оптимизации помогают сформировать расписание работы прививочных пунктов так, чтобы нагрузка на персонал была равномерной. Статистические прогнозы позволяют заранее определить, сколько потребуется тест-систем, средств индивидуальной защиты или какое количество коек в инфекционных отделениях будет занято в определённый период. Во время пандемий такие модели показали высокий уровень эффективности, так как они помогали оценить пределы возможностей системы и планировать ресурсы [8].

Также математика широко используется в эпидемиологическом надзоре за инфекциями, связанными с оказанием медицинской помощи. Датчики и системы электронного документооборота фиксируют случаи внутрибольничного инфицирования, и все эти показатели переводятся в числовые ряды. Математическая обработка позволяет понять, происходит ли реальный рост заболеваемости и в какой момент нужно вмешиваться. В системах эпидемиологической разведки расчёты помогают адаптировать пороги срабатывания сигналов тревоги под конкретную ситуацию, чтобы не пропустить начало вспышки.

Далее следует выделить риски, связанные с математикой в эпидемиологии. Можно отметить следующие аспекты:

1. Нехватка цифровой грамотности у эпидемиологов и врачей — это может привести к неверной интерпретации результатов моделирования, неправильной оценке эпидемической ситуации.
2. Недостаточное качество данных — риск заключается в ложных выводах и прогнозах из-за неполноты регистрации, задержек в отчётности и систематических ошибок сбора.
3. Ограниченность математических моделей — самый высокий риск, так как модели упрощают реальность (гомогенное смешивание, отсутствие возрастной и социальной структуры), но при этом не всегда учитывают индивидуальные особенности популяции — это также может привести к ошибочным прогнозам.
4. Проблемы совместимости программ. Разные учреждения используют разное ПО для эпидемиологического анализа, что затрудняет интеграцию математических решений и обмен данными.
5. Некоторые специалисты считают математические модели «непонятными» и «ненадёжными», предпочитая интуитивные оценки вместо количественного анализа.

Таблица 1

Пути минимизации рисков применения математики в эпидемиологии

В заключение следует отметить:

— Математика в эпидемиологии выступает не вспомогательным, а системообразующим инструментом, который позволяет соединить процессы передачи инфекций и практику противоэпидемических мероприятий в единую логически структурированную систему.

— Современная эпидемиология функционирует в условиях огромного потока данных (случаи заболевания, генотипирование, мобильность, климатические факторы), и именно математический аппарат позволяет делать этот поток управляемым и осмысленным.

— Количественные методы дают возможность обнаруживать закономерности, которые невозможно заметить при визуальном анализе эпидемических кривых.

— Анализ статистических зависимостей помогает эпидемиологам и руководителям здравоохранения принимать обоснованные решения, основанные не на опыте или интуиции, а на измеримых фактах.

— Математические модели распространения инфекций обеспечивают воспроизводимость, а значит — возможность проверки и критического анализа результатов.

Литература:

1. Марчук Г. И. Избранные труды. Т. 4: Математическое моделирование в иммунологии и медицине / Г. И. Марчук. — М.: Российская академия наук, 2018. — 976 с. — ISBN 978–5-906906–32–8.

2. Янчевская Е. Ю., Меснянкина О. А. Математическое моделирование и прогнозирование в эпидемиологии инфекционных заболеваний // Вестник Российского университета дружбы народов. Серия: Медицина. — 2019. — Т. 23, № 3. — С. 328–334. — DOI: 10.22363/2313–0245–2019–23–3-328–334.

3. Романюха А. А. Математические модели в иммунологии и эпидемиологии инфекционных заболеваний. — 4-е изд., электрон. — М.: Литрес, 2024. — 296 с.

4. Гущин В. А., Мануйлов В. А., Мазунина Е. П. и др. Иммунологическая память как основа рациональной вакцинопрофилактики населения. Обоснование создания системы сероэпидемиологического мониторинга в России // Вестник РГМУ. — 2017. — № 5. — С. 5–28.

5. Бочаров Г. Н., Марчук Г. И. Прикладные проблемы математического моделирования в иммунологии // Журнал вычислительной математики и математической физики. — 2000. — Т. 40, № 12. — С. 1905–1920.

6. Руднев С. В., Романюха А. А., Яшин А. И. Моделирование развития Т-системы иммунитета и оценка эффективности распределения ресурсов // Математическое моделирование. — 2007. — Т. 19, № 1. — С. 25–42.

7. Стрижевская В. А., Ермолаева Ю. А. Исследование вопроса вакцинации в современном социуме: «за» или «против» // Научные высказывания. — 2025. — № 8 (76). — С. 21–26.

8. Сидоров А. А., Астафьев Р. У., Горшунова Т. А., Морозова Т. А. Математическое моделирование динамики эпидемий и распространения заболеваний с использованием модели SIR // Московский экономический журнал. — 2025. — № 11. — С. 45–66. — DOI: 10.55186/2413046X_2025_10_11_246.