Введение
Модель SEIR (S — восприимчивые, E — инкубационный период, I — инфицированные, R — выздоровевшие) относится к классу компартментных моделей, в которых популяция делится на группы (состояния), а динамика описывается правилами переходов между ними. Исторически такие модели восходят к классической работе У. Кермака и А. Маккендрика 1920-х годов, предложивших модель SIR [6]. В дальнейшем, по мере изучения инфекций с длительной скрытой фазой, модель была дополнена состоянием E, что позволило учитывать период между заражением и началом заразности, так называемую латентную (инкубационную) фазу. Это особенно существенно для заболеваний, при которых инфицированный длительное время остаётся незаразным, что затрудняет своевременное выявление вспышки и сдвигает развитие эпидемии во времени [1, с.12; 8].
Модель SEIR традиционно применяется для описания и прогнозирования эпидемий воздушно-капельных инфекций, а также для анализа эффективности противоэпидемических мер; она сохраняет актуальность и в последние годы активно использовалась при моделировании распространения инфекции COVID-19 [1, с.11; 3, с.32]. В целом ряде исследований показано, что модель позволяет качественно и количественно оценивать последствия вспышки, когда существует риск вовлечения значительной доли популяции, и даёт возможность интерпретировать влияние отдельных эпидемиологических параметров. Вместе с тем модель имеет ограничения — она не учитывает мутации возбудителя, вакцинацию и изменение контактной структуры населения, поэтому её следует рассматривать как базовую, подлежащую уточнению для конкретных условий [1, с.11].
В настоящей работе изучена динамика туберкулёза для гипотетического региона с демографическими параметрами, усреднёнными по России. Основное внимание уделено параметрам: α (переход в заразное состояние), β (передача инфекции) и γ (выздоровление) [1, с.12].
Динамика модели SEIR
Модель SEIR описывает переходы между группами, основываясь на предположениях о скорости заражения, скорости перехода из инкубационного периода в заразное состояние и скорости выздоровления. Схема переходов имеет вид: S → E → I → R. Скорость заражения пропорциональна контактам между восприимчивыми и инфицированными людьми. После заражения восприимчивый индивидуум переходит в инкубационный период (E), а затем становится заразными (I). Выздоровление происходит с постоянной скоростью.
α — скорость перехода из инкубационного периода в заразное состояние. Этот параметр определяет, насколько быстро инфицированный человек становится заразным после заражения.
Для туберкулёзакоэффициент α относительно низкий, так как после заражения микобактериями туберкулёза может пройти много времени (месяцы или даже годы) до развития активной формы заболевания и, соответственно, до того, как человек станет заразным. Этот период называется латентной инфекцией [8].
β — коэффициент передачи инфекции. Этот параметр определяет вероятность заражения при контакте восприимчивого человека с инфицированным. Важно отметить, что β значительно отличается для туберкулёза и гриппа [4].
Туберкулёз характеризуется относительно низким уровнем заболеваемости из-за того, что для заражения обычно требуется длительный и тесный контакт с больным. Передача инфекции происходит преимущественно воздушно-капельным путём при кашле, чихании или разговоре, но вероятность заражения после однократного контакта относительно невелика.
γ — коэффициент выздоровления. Этот параметр определяет скорость, с которой инфицированные люди выздоравливают и приобретают иммунитет. Также существенно различается для туберкулёза и гриппа.
Для туберкулёза коэффициент γ относительно низкий, так как лечение туберкулёза длительное (несколько месяцев) и требует строгого соблюдения режима приёма препаратов. Несоблюдение режима лечения может привести к развитию лекарственной устойчивости и снижению γ [9].
Примечание: поскольку целью данной работы является качественный анализ чувствительности модели, а не построение точного эпидемиологического прогноза для конкретного региона, время в системе дифференциальных уравнений рассматривается в условных единицах (шагах интегрирования). Значения параметров нормированы и подобраны таким образом, чтобы продемонстрировать различные сценарии развития эпидемического процесса (от быстрого затухания до агрессивной вспышки) [2. с.29].
Рассмотрим уравнения, описывающие динамику модели SEIR [1, с.12].
Восприимчивые:
Латентный/инкубационный период:
Инфицированные:
Выздоровевшие:
Общая численность популяции. Предполагается, что популяция закрытая и её численность постоянна во времени (рождаемость = смертность), поэтому
где S — численность восприимчивых индивидуумов;
E — численность особей в латентном/инкубационном периоде;
I — численность инфицированных индивидуумов;
R — численность выздоровевших индивидуумов;
N — общая численность популяции;
γ — скорость выздоровления;
μ — коэффициент рождаемости (предполагается равным коэффициенту смертности);
𝝁𝑰 — отток инфицированных особей из популяции за счет естественной смертности;
Для замыкания системы дифференциальных уравнений (1–5) необходимо задать начальные условия — численность особей в каждой группе в начальный момент времени t = 0. В рамках данного исследования были приняты следующие начальные условия:
S 0 = 50, E 0 = 20, I 0 = 30, R 0 = 0.
Начальная численность популяции составила N = S 0 + E 0 + I 0 + R 0 = 100 условных человек. Задание данных начальных условий позволило перейти к численному решению системы и получить графики динамики распространения инфекции (рис. 1–9).
Исследование динамики распространения инфекции в рамках SEIR-модели
Скорость перехода из инкубационного периода в заразное состояние (
Коэффициент передачи инфекции (β). Оценка значения β для туберкулёза проводилась на основе данных «Росстата»: 26.9 случаев заражения на 100000 человек. R
0
для туберкулёза был рассчитан по формуле
Коэффициент выздоровления (γ). Значение γ для туберкулёза было определено на основе средней вероятности выздоровления человека. В рамках анализа чувствительности коэффициент выздоровления γ варьировался в диапазоне от 0.1 до 0.9, что соответствует сценариям с различной длительностью инфекционного периода в условных единицах времени [1, c.12].
Рис. 1. Динамика распространения инфекции в рамках SEIR-модели № 1
На приведённом графике отображена динамика распространения инфекции в рамках SEIR-модели при следующих параметрах: коэффициент смертности μ = 0.45, скорость инкубации α ≈ 0.00099, коэффициент передачи инфекции β ≈ 0.00027, коэффициент выздоровления γ = 0.9 и численность популяции N = 100. Анализ графика показывает, что инфекция распространяется крайне медленно: численность восприимчивых (S) остаётся стабильной, около 50 человек, в то время как количество инфицированных (I) быстро падает практически до нуля. Это объясняется сочетанием низкого значения β, что ограничивает новые заражения, и высокого значения γ, которое способствует быстрому выздоровлению. Экспонированные (E) постепенно переходят в инфицированные, но из-за низкой скорости передачи общее число больных остаётся низким. Число выздоровевших (R) быстро возрастает в первые дни и затем стабилизируется, отражая завершение эпидемического процесса. Таким образом, модель демонстрирует сценарий контролируемой вспышки, при которой эпидемия не получает широкого распространения.
В ходе моделирования были последовательно рассмотрены четыре сценария с различными значениями коэффициента передачи инфекции β: 0.01, 0.25, 0.5 и 0.75, при фиксированных остальных параметрах (μ = 0.45, α ≈ 0.00099, γ = 0.9, N ≈ 100). Анализ графиков показывает чёткую зависимость интенсивности эпидемического процесса от величины β. При низком значении β = 0.01 инфекция распространяется медленно: количество инфицированных (I) остаётся незначительным, а основные изменения касаются умеренного роста числа выздоровевших (R). В этом случае наблюдается быстрое затухание эпидемии и сохранение большей части населения в категории восприимчивых (S).
Рис. 2. Динамика распространения инфекции в рамках SEIR-модели № 2
При увеличении β до 0.25 наблюдается более выраженная вспышка: доля инфицированных резко возрастает в первые дни, после чего быстро снижается благодаря высокой скорости выздоровления. Количество выздоровевших (R) увеличивается значительно, а S уменьшается более существенно, что указывает на более масштабное вовлечение населения в эпидемический процесс.
Рис. 3. Динамика распространения инфекции в рамках SEIR-модели № 3
При 0.5 ≤ β ≤ 0.75 эпидемия становится более интенсивной: до 30–40 % населения заражается быстро, резко сокращая число восприимчивых и увеличивая долю переболевших. Это соответствует условиям высокой заразности без ограничительных мер.
Рис. 4. Динамика распространения инфекции в рамках SEIR-модели № 4
Рис. 5. Динамика распространения инфекции в рамках SEIR-модели № 5
Таким образом, β является критическим параметром, определяющим масштаб и скорость эпидемии. Его рост трансформирует относительно стабильную ситуацию в высокоопасную вспышку с риском перегрузки системы здравоохранения, подчёркивая важность профилактики и социального дистанцирования [9; 10].
Рис. 6. Динамика распространения инфекции в рамках SEIR-модели № 6, коэффициент выздоровления γ = 0.75
В ходе численного эксперимента изучено влияние коэффициента выздоровления γ (0.75, 0.5, 0.25, 0.1) на модель SEIR. Остальные параметры фиксированы: μ = 0.45,
При высоком значении γ = 0.75 большинство инфицированных быстро переходят в категорию выздоровевших. В таких условиях даже при наличии латентного периода и минимальной передачи инфекции эпидемия практически не развивается: число инфицированных остаётся минимальным, а доля восприимчивых практически не изменяется. Это указывает на быструю локализацию очага заражении.
При снижении γ от 0.5 до 0.25 инфекционный период удлиняется, но низкий β (0.000269) сдерживает эпидемию: заражение происходит медленно, пик заболеваемости смещается, а выздоровление растягивается.
Рис. 7. Динамика распространения инфекции в рамках SEIR-модели № 7, коэффициент выздоровления γ = 0.5
Рис. 8. Динамика распространения инфекции в рамках SEIR-модели № 8, коэффициент выздоровления γ = 0.25
Наиболее интересное поведение наблюдается при γ = 0.1. В этом случае выздоровление происходит крайне медленно, что позволяет инфицированным накапливаться в популяции. Несмотря на низкую вероятность заражения, длительное нахождение в инфекционном состоянии создаёт условия для устойчивой, хотя и вялотекущей циркуляции болезни. Динамика приобретает затяжной характер: эпидемия не утихает быстро и может сохраняться длительное время.
Рис. 9. Динамика распространения инфекции в рамках SEIR-модели № 9, коэффициент выздоровления γ = 0.1
Коэффициент выздоровления γ существенно влияет на развитие эпидемии. При высоких значениях γ вспышка быстро затухает, тогда как при низких значениях инфекция может сохраняться длительное время, даже при незначительной передаче инфекции.
Заключение
В данной работе проведён анализ чувствительности модели SEIR к ключевым параметрам распространения туберкулёза: коэффициенту передачи инфекции (β), скорости перехода из инкубационного периода в заразное состояние (α) и коэффициенту выздоровления (γ). На основе серии вычислительных экспериментов выявлены факторы, определяющие динамику распространения инфекции, и оценена чувствительность системы к изменению эпидемиологических параметров.
Показано, что коэффициент передачи инфекции β является критическим параметром, определяющим масштаб и скорость вспышки: его рост от 0.01 до 0.75 переводит процесс из контролируемой вспышки в интенсивную эпидемию с вовлечением 30–40 % населения. Коэффициент выздоровления γ определяет длительность циркуляции инфекции: при высоких значениях (0.75–0.9) вспышка быстро затухает даже при наличии латентного периода, тогда как при низком γ (0.1) инфекция сохраняется длительное время даже при малой передаче. Скорость перехода α определяет запаздывание развития эпидемии и момент выхода кривой заболеваемости на пик, что важно для своевременного планирования ответных мер.
Полученные результаты подчёркивают важность контроля параметров β и γ для управления эпидемическим процессом. Дальнейшие исследования могут включать уточнение модели для конкретных регионов, учёт вакцинации, мутаций возбудителя и формирования лекарственной устойчивости, что особенно актуально для туберкулёза.
Литература:
- Акимов В. А., Бедило М. В., Иванова Е. О. Математические модели эпидемий и пандемий как источников чрезвычайных ситуаций биолого-социального характера / В. А. Акимов, М. В. Бедило, Е. О. Иванова // Civil Security Technology. — 2022. — № 3. — С. 11–14.
- Андерсон, Р. Инфекционные болезни человека. Динамика и контроль / Р. Андерсон, Р. Мэй; пер. с англ. — Москва: Мир, 2004. — 784 с.
- Прогноз динамики пандемии COVID-19 по России на основе простых математических моделей эпидемий // Сyberleninka URL: https://cyberleninka.ru/article/n/prognoz-dinamiki-pandemii-covid-19-po-rossii-na-osnove-prostyh-matematicheskih-modeley-epidemiy (дата обращения: 26.05.2025).
- Туберкулез возвращается в число ведущих инфекционных причин смертности // Всемирная организация здравоохранения — URL: https://www.who.int/ru/news/item/29–10–2024-tuberculosis-resurges-as-top-infectious-disease-killer
- Заболеваемость туберкулезом (3.3.2) // Репозиторий данных НЦСЭД. URL: https://repository.nsedc.ru/dataset/emiss_58512
- Kermack W. O., McKendrick A. G. A contribution to the mathematical theory of epidemics // Proceedings of the Royal Society of London. Series A. 1927. Vol. 115, No. 772. P. 700–721. URL: https://jxshix.people.wm.edu/2009-harbin-course/classic/Kermack-McKendrick-1927-I.pdf
- Криворотько О. И., Кабанихин С. И., Петракова В. С. Идентифицируемость математических моделей эпидемиологии: туберкулез, ВИЧ, COVID-19 // Математическая биология и биоинформатика. 2023. Т. 18, № 1. С. 177–214. URL: https://www.matbio.org/2023/Krivorotko_18_177.pdf
- World Health Organization. Latent tuberculosis infection: updated and consolidated guidelines for programmatic management [Электронный ресурс]. Geneva: WHO, 2018. URL: https://www.who.int/publications/i/item/9789241550239
- Сценарный анализ и оптимизация управления заболеваемостью туберкулезом на основе многокомпартментной модели [Электронный ресурс] // КиберЛенинка. URL: https://cyberleninka.ru/article/n/stsenarnyy-analiz-i-optimizatsiya-upravleniya-zabolevaemostyu-tuberkulezom-na-osnove-mnogokompartmentnoy-modeli
- World Health Organization. Global tuberculosis report 2025 [Электронный ресурс]. Geneva: WHO, 2025. URL: https://www.who.int/publications/i/item/9789240116924

