Алгоритмический подход к установлению эпидемических порогов в системе эпидемиологического надзора за инфекционными заболеваниями

Введение. Систематический сбор, анализ и распространение данных, релевантных для принятия управленческих решений в сфере общественного здоровья, составляют сущность эпидемиологического надзора [1]. На современном этапе в сферу эпидемиологического надзора включают как инфекционные, так и неинфекционные заболевания, а равно и иные, связанные со здоровьем события (травмы, отравления, рисковое поведения и проч.) [2]. Оговорим также, что традиционная форма эпидемиологического надзора опирается на использование данных клинической диагностики (установленных диагнозов), тогда как синдромный эпидемиологический надзор – на доклинические данные любого рода (например, регистрацию того или иного клинического синдрома, изменение поведения населения и пр.). В отношении инфекционной патологии система эпидемиологического надзора предназначена, среди прочего, для выявления эпидемической (вспышечной) заболеваемости для обеспечения своевременного на нее реагирования [3]. В имеющем широкое международное признание пятом издании «Эпидемиологического словаря» «эпидемия» определена как регистрация «в сообществе людей или регионе случаев болезни, связанного со здоровьем поведения или других связанных со здоровьем событий с частотой, явно превышающей нормально ожидаемую» [4]. Несмотря на относительно однородное понимание эпидемиологами всего мира термина «эпидемия», в отношении термина «вспышка» единство трактовки отсутствует: в зарубежной литературе «вспышка» обычно является менее эмоционально окрашенным синонимом термина «эпидемия» [5], тогда как в отечественной учебной и научной литературе «вспышка» рассматривается как менее выраженное, локализованное распространение инфекционного заболевания.

В большинстве стран мира и в России самым прямолинейным и понятным критерием эпидемии является (что отражено в определении) превышение нормального уровня регистрации эпидемиологически значимых событий. Подчеркнем, однако, отсутствие в научных и административно-правовых определениях четких количественных критериев, что создает определенные разночтения при отнесении фактически наблюдаемой ситуации к категории «нормально ожидаемая регистрация» или «эпидемия» («вспышка»). Наиболее распространенным способом устранения субъективности в оценке ситуации является использование так называемых эпидемических (или мониторинговых) порогов – уровней регистрации эпидемиологически важных событий, превышение которых может указывать на развитие эпидемии (вспышки). Необходимо отметить, что прилагательное «мониторинговые» несколько лучше отражает суть порогов: как отмечали G. Shmueli и H. Burkom (2010), задача выявления эпидемии (вспышки) заболевания скорее состоит в выявлении аномалии (т.е. выявлении, что «что-то идет не так»), чем в идентификации конкретных ее особенностей (что ИМЕННО идет не так), причин и условий ее формирования [6]. Представим для примера распространение среди населения острого респираторного заболевания (ОРИ), возбудитель которого в силу различных обстоятельств не мог быть массово идентифицирован, но многие годы циркулировал в популяции. Является ли рост уровня регистрации заболевания, вызванного этим возбудителем, произошедший после расширения тестирования и этиологической расшифровки данного ОРИ, эпидемией? Очевидно, что в данном случае речь идет лишь об изменении объема наших знаний об эпидемиологической ситуации, а не изменении самой эпидемиологической ситуации.

Цель исследования: сравнительная характеристика отечественных и зарубежных алгоритмических подходов к установлению эпидемических порогов для применения в системе эпидемиологического надзора.

Материалы и методы. Для раскрытия алгоритмического подхода к установлению эпидемических порогов в системе эпидемиологического надзора проведено обобщение результатов 14 зарубежных научных работ и двух отечественных методических документов, опубликованных c 01.01.1990 по 31.12.2023. Поиск научной литературы проведен в базах данных elibrary, cyberleninka, pubmed, а также с применением google.scholar по ключевым словам «эпидемический порог» / «epidemic threshold» и «эпидемия» / «epidemic». В обзор включали статьи, в которых в достаточном объеме описан математический алгоритм, применяемый уполномоченным на проведение эпидемиологического надзора органом, либо публикации, в которых оценивали эффективность такого алгоритма. В итоговое обобщение вошли публикации, посвященные пяти базовым алгоритмам и их значимым модификациям, применяемым за рубежом (n = 14), а также алгоритмы, закрепленные в действующих в нашей стране методических рекомендациях МР 3.1.2.0118–17¹ и МР 3.1.2.0303–22². Проведено сопоставление отечественных и зарубежных алгоритмов установления эпидемических порогов по различными характеристикам, включая применяемый статистический метод, определение эпидемического порога в числовом значении, сложность алгоритма и возможность автоматизации расчетов.

Ограничения исследования. Исследование построено как обзор литературы. Дизайн исследования предполагал сбор и анализ научной информации о применяемых в системах эпидемиологического надзора алгоритмах, однако, при отсутствии опубликованных в рецензируемых журналах или общедоступных базах данных сведений о применяемых в конкретной системе алгоритмах, такие алгоритмы не могли быть включены в обзор. Кроме того, одни и те же алгоритмы могут использоваться в разных странах под разными наименованиями и с незначительными модификациями, не затрагивающими математический метод – в таких случаях однократно указывался исходный алгоритм.

Результаты. Эпидемические пороги широко используются по всему миру в совершенно разных контекстах и условиях. Впервые количественный эпидемический порог был установлен официальным образом Британским департаментом здравоохранения в 1996 г. в отношении гриппоподобных заболеваний на уровне 400 на 100 тысяч населения за неделю [7], но четырьмя годами ранее Moore at al. в научном исследовании в Буркина Фасо установили эпидемический порог для менингококкового менингита на уровне 15 на 100 тысяч населения в среднем за 2 недели [7]. Способы установления и форма представления эпидемических порогов разнообразны. Так в руководстве по чрезвычайным ситуациям Управления верховного комиссара ООН по делам беженцев установлен следующий стандарт эпидемических порогов для экстренных ситуаций и рутинного использования [8]:

Единственный случай – холера, корь, острый вялый паралич или полиомиелит, желтая лихорадка, вирусная геморрагическая лихорадка.

Превышение в 1,5 раза уровня за прошедшие 3 недели – малярия, водянистая диаррея.

Превышение в 1,5 раза уровня за прошедшие 3 недели или 5 случаев – менингит.

Пять случаев – кровавая диарея.

Хотя точный способ установления именно таких величин не приводится, пороги установлены в отношении одновременно диагнозов и синдромов в виде абсолютных величин и предназначены для применения в любых условиях, то есть не подлежат адаптации к конкретным условиям. Вместе с тем необходимо отметить максимальную простоту подхода, который почти не требует расчетов, что может быть крайне полезным в условиях дефицита ресурсов, в периоды чрезвычайных ситуаций.

Более распространен, однако, другой подход, состоящий в использовании различных статистических алгоритмов для расчета эпидемических порогов в конкретных условиях как в рамках традиционного эпидемиологического надзора, так и синдромного эпидемиологического надзора. Чтобы оценить разнообразие существующих методов, обратимся к классификации алгоритмов выявления эпидемий (вспышек) по статистическому методу, предложенной Unkel et al. [9]:

1. Регрессионные алгоритмы (параметрические, полу-параметрические, безпороговые);
2. Алгоритмы, основанные на методах анализа временных рядов (тренд-сезонные модели, модели авторегрессии проинтегрированного скользящего среднего, Байсовские и скрытые цепи Маркова);
3. Алгоритмы статистического контроля качества (контрольные карты, временнόе сканирование, время между событиями);
4. Пространственные алгоритмы;
5. Многомерные алгоритмы.

Поскольку целью настоящего обзора является рассмотрение алгоритмов, применяемых организациями, осуществляющими эпидемиологический надзор, то остановимся лишь на нескольких актуальных алгоритмах, которые, в основном, являются одномерными и не включают пространственные методы (за небольшим исключением). Подчеркнем также, что далеко не все алгоритмы вычисляют непосредственно пороговое значение уровня регистрации заболевания (эпидемический порог), зачастую вычисляется контрольный показатель, который в том или ином виде использует понятие эпидемического порога, но не вычисляет его непосредственно (так называемые беспороговые алгоритмы).

Сравнительная характеристика применяемых в системах эпидемиологического надзора алгоритмов представлена в таблице.

Семейство алгоритмов Фаррингона – Великобритания [3]. Впервые алгоритм был предложен командой исследователей под руководством Farrington в начале 1990-х [3], с тех пор он используется Британскими официальными органами, осуществляющими эпидемиологический надзор [3][10]. Алгоритм был модифицирован в 2012 г. [10], а в 2021 г. предложен генерализованный вариант с географически взвешенной регрессией [11]. Алгоритм в модифицированном варианте использовался Институтом Роберта Коха с 2014 года в связи с положениями Закона о предотвращении инфекций (нем. – Infektionsschutzgesetz, 2001), возложившими на Институт функции осуществления эпидемиологического надзора. В целом алгоритмы Фаррингона относятся к регрессионным по классификации Unkel et al. Отметим, что разработана R-библиотека “Surveillance”, для автоматизации расчетов [12]. Порядок расчета по алгоритму Фаррингона [3] с модификацией [10] представлен ниже:

Базовый период: данные по неделям за календарную неделю с порядковым номером N, w предшествующих и w последующих недель за последние d лет (всего d*(2w + 1) периодов; как правило 5*(3*2 + 1) = 35). Использование смежных недель призвано решить проблему дрейфа недель и случайных колебаний заболеваемости.

Эпидемии в базовом периоде: значения корректируются с помощью стандартизованных остатков Анскомба: чем сильнее значение отличается от остальных, тем сильнее оно корректируется – тем

самым данные не теряются, но эпидемическая кривая сглаживается в сторону многолетней тенденции.

Многолетняя тенденция: для учета изменения уровня регистрации со временем используется регрессия Пуассона с чрезмерной дисперсией, с помощью которой аппроксимируют данные. В модифицированной версии не учитывается статистическая значимость тренда.

Трансформация данных: используется степенная трансформация 2/3 для корректировки скошенности распределений (более актуально для редких заболеваний); может использоваться степенная трансформация 1/2.

Порог: верхний прогностический интервал для среднего уровня регистрации при выбранном уровне доверия.

Логика срабатывания: расчетный показатель превышения порога больше 1.

Семейство алгоритмов Системы раннего выявления отклонений версии C1, С2, C3 (СРВО) – Соединенные штаты Америки [12]. Алгоритмы семейства СРВО разрабатывались с начала 90-х годов XX века для выявления актов биотерроризма, но впоследствии их использование расширилось [12]. Отметим, что одноименная система EARS включает и другие алгоритмы, схожие с представленными в данном обзоре [12]. Ключевым отличием семейства алгоритмов СРВО является их минимальная потребность в данных: всего лишь 7–11 предшествующих временных интервалов (дней, недель). Следует отметить также простоту расчетов и отсутствие необходимости в использовании сложных методов корректировки разного рода явлений, влияющих на расчеты (например, сезонные эффекты пре- небрежительно малы на промежутках времени менее 1–2 месяцев). Семейство алгоритмов СРВО относится к группе алгоритмов статистического контроля качества по классификации Unkel et al. Отметим, что разработана R-библиотека “Surveillance”, для автоматизации расчетов [13]. Порядок расчета:

Базовый период: используются данные за w предшествующих дней, отделенных от текущего дня разрывом в g дней. Все версии алгоритма используют по умолчанию w = 7, но версия С3 требует 3 последовательных значения, рассчитанные по алгоритму С2, т. е. фактически имеет базовый период w + 2 дней. Версия С1 не использует разрыв (g = 0), а версии С2 и С3 – двухдневный разрыв (g = 2).

Коэффициент превышения (порог не рассчитывается): рассчитывают отношение разности наблюдаемого количества и среднего количества за базовый период к стандартному отклонению, вычисленному за базовый период

Логика срабатывания, версия С1 и С2: если коэффициент превышения больше 3.

Логика срабатывания, версия С3: за три дня суммируют наибольшее из двух: разность коэффициента превышения по версии С2 и 1, либо 0. Алгоритм срабатывает, если итоговая сумма превышает 2.

Алгоритм Многоуровневого выделения повышающейся активности по показателям с учетом смешанных эффектов (МВПАПСМ) – Великобритания [14]. Один из достаточно новых алгоритмов, разработанный для использования в синдромном надзоре. Существенным отличием данного алгоритма является включение в модель корректировки праздничных и выходных дней (т. е. алгоритм относится к многомерным), в то же время расчетный метод прост – отрицательная биномиальная регрессия или регрессия Пуассона с чрезмерной дисперсией [14]. Отметим, что алгоритм использует абсолютные величины, однако, численность населения (или иной знаменатель) включается в регрессионную модель в качестве коэффициента смещения, что в значительной мере эквивалентно использованию относительных величин. В силу сферы применения алгоритм МВПАПСМ является лишь первым этапом оценки риска для общественного здоровья, тогда как второй этап состоит в оценке риска общественному здоровью специалистом-эпидемиологом [15].

Базовый период: может быть любым, но должен содержать не менее 365 отличных от 0 значений в соответствии с оригинальными рекомендациями авторов.

Порог: вычисляется с помощью множественной отрицательной биномиальной регрессии (ковариаты: 7 бинарных переменных для дня недели, 12 переменных для месяца, 3 бинарных переменных для выходных дней, праздничных дней и банковских выходных дней) как верхняя граница 95 % прогностического интервала.

Логика срабатывания: если наблюдаемое значение превышает ожидаемое более, чем на три стандартных отклонения.

Дополнительные правила: при срабатывании алгоритма на более общий индикатор и на входящий в него специальный индикатор, срабатывание считается только на специальный индикатор. При срабатывании алгоритма на внутрирегиональном уровне не менее 3 территорий и на уровне Центра общественного здоровья, ответственного за эти территории, срабатывание считается только на уровне Центра; аналогичный подход использовался на национальном уровне.

Метод движущихся персентилей (МДП) – Китайская народная республика [16]. Специально разработанный для китайской системы автоматического предупреждения и реагирования на инфекционные заболевания (КСАПРИ) алгоритм МДП используется для расчета временны′х эпидемических порогов [16]. В системе КСАПРИ реализованы три способа генерации предупреждений: превышение фиксированного значения (более опасные, но редкие заболевания), превышение временнόго эпидемического порога и в дополнение превышение пространственного эпидемического порога (более распространенные и менее опасные заболевания). Порядок расчетов по алгоритму МДП:

Базовый период: данные по дням за текущий семидневный период, два предшествующих и два последующих семидневных периода за последние 3 года (всего 15 периодов, 105 значений).

Логика срабатывания: Алгоритм срабатывает, если наблюдаемое значение за день (С) превышает 80-й персентиль базового периода, либо С между 50-м и 80-м персентилем базового периода и пространственная кластеризация, либо С меньше 50-го персентиля и С выше 10-го персентиля (авторы указывают на двухэтапную проверку, в отличие от одноэтапной в предшествующем пункте, но причины такого подходы не разъяснены) и пространственная кластеризация.

Метод движущихся эпидемий (МДЭ) – ВОЗ [17]. Особенно широкое распространение алгоритмический подход получил применительно к эпидемиологическому надзору за гриппом и ОРИ. Наиболее известен в этом направлении алгоритм МДЭ. Отметим, что авторами алгоритма разработана R-библиотека «mem», для автоматизации расчетов [17]. Особенностью алгоритма является использование в оригинальном варианте как абсолютных, так и относительных величин, но в дальнейшем использовались только относительные величины [17]. Кроме того, примеры использования данного алгоритма в зарубежных странах (в т. ч. имеющих иные мониторинговые алгоритмы) широко представлены в печати [18–20], а сам алгоритм упоминается в перечне стандартных алгоритмов ВОЗ для применения в надзоре за гриппом и ОРИ [21]. В России данный алгоритм длительное время применяется преимущественно в научных целях [22]. Порядок расчета по алгоритму МДЭ:

Базовый период: данные по неделям за последние 5 и более эпидемических сезонов (т. е. период, начинающийся с минимальных уровней заболеваемости).

Эпидемии в базовом периоде: в каждом эпидемическом сезоне вычисляется минимальное количество последовательных недель с максимальным вкладом в показатель заболеваемости за сезон – эти недели считаются эпидемическими. В качестве минимального вклада используется величина от 2,0 % до 4,0 % в разных странах. В результате, сезоны разбиваются на три части: предэпидемический период, эпидемия, постэпидемический период.

Порог (базовая линия): из каждого предэпидемического периода выбирается 30 / N (где N – количество сезонов базового периода) недель с наибольшим уровнем регистрации, по которым затем вычисляется верхняя граница одностороннего 95 % доверительного интервала (т. е. используется доверительный коэффициент 1,64). Аналогичным образом считается базовая линия для постэпидемического периода.

Логика срабатывания: превышение базовой линии предэпидемического периода.

Уровни интенсивности: из каждого эпидемического периода выбирают 30 / N (где N – количество сезонов базового периода) недель с наибольшим уровнем регистрации, по которым затем вычисляется среднее геометрическое и верхние границы его 50 %, 90 % и 95 % односторонних доверительных интервалов, которые и представляют три уровня интенсивности эпидемии.

Алгоритм МР 3.1.2.0118–17³ – Российская Федерация. Алгоритм разработан для применения в надзоре за гриппом и ОРИ совместно ФБУН «НИИ гриппа им. А.А. Смородинцева» Минздрава России и Федеральной службой по надзору в сфере защиты прав потребителей и благополучия человека (Роспотребнадзор) и впервые введен в 2010 году, актуальная версия утверждена в виде МР 3.1.2.0118–17 «Методика расчета эпидемических порогов по гриппу и острым респираторным вирусным инфекциям по субъектам Российской Федерации». Существенным отличием алгоритма является использование для расчетов только показателей заболеваемости, а не количества случаев. Кроме того, в отличие от алгоритма MEM, по которому рассчитывается 5 пороговых значений (начало эпидемии, конец эпидемии и 3 уровня интенсивности) для всего эпидсезона, алгоритм МР 3.1.2.0118–17 предполагает вычисление порогового значения для каждой недели года (т. е. 52–53 пороговых значения). Ввиду возможной неполноты имеющихся данных, алгоритм реализован в виде двух вариантов – точного и приближенного:

Базовый период: данные по неделям за календарную неделю с порядковым номером N за последние 5–10 лет.

Эпидемии в базовом периоде: для исключения влияния предшествующих эпидемий (вспышек) на оценку текущей ситуации осуществляется рекурсивное удаление эпидемических недель из базового периода.

Порог: верхний толерантный предел среднего уровня регистрации при выбранном уровне доверия (точный алгоритм), верхняя граница 95 % доверительного интервала при выбранном уровне доверия (приближенный алгоритм).

Логика срабатывания: превышение эпидемического порога в совокупности с темпом прироста к прошлой неделе > 20 %.

Алгоритм МР 3.1.2.0303–22⁴ – Российская Федерация. Алгоритм разрабатывался в период пандемии новой коронавирусной инфекции для применения в надзоре за гриппом и ОРИ совместно Федеральной службой по надзору в сфере защиты прав потребителей и благополучия человека (Роспотребнадзор), ФБУН «Омский НИИ природно-очаговых инфекций» Роспотребнадзора и ФБУН «Центральный НИИ эпидемиологии» Роспотребнадзора и прошел апробацию в 11 субъектах Российской Федерации. Алгоритм МР 3.1.2.0303–22 в целом основан на алгоритме СРВО версии C2 в связи с тем, что одними из ключевых требований к разрабатываемому алгоритму были простота и минимальная потребность в данных. В настоящее время продолжается изучение точности данного алгоритма. Порядок расчета следующий:

Базовый период: используются данные за 8 предшествующих недель, отделенных от текущей недели разрывом в 2 недели (всего 10 точек данных).

Порог: в качестве порогового значения используется верхняя граница двухстороннего 99 % доверительного интервала (доверительный коэффициент 2,54) среднего показателя заболеваемости за базовый период.

Логика срабатывания: наблюдаемое значение превышает пороговое. Дополнительно учитывается темп прироста более 20 %.

Обсуждение. Существующие сегодня в разных странах подходы, в том числе алгоритмические, к установлению эпидемических порогов для мониторинга инфекционных заболеваний в системах традиционного и синдромного эпидемиологического надзора опираются на разные статистические методы, отличаются по сложности и вовлеченности человека в работу алгоритма. Использование различных алгоритмов в разных странах на фоне существования крайне сложных для понимания и внедрения алгоритмов (эти алгоритмы не были затронуты в настоящем обзоре ввиду их исключительно научной сферы применения), в целом отражает отсутствие консенсуса по вопросам установления эпидемических порогов в научном эпидемиологическом сообществе и в среде практиков. Противоречия сводятся к удивительно точному тезису «мы должны сначала согласиться, что считать эпидемией (вспышкой)» [23].

Развитие отечественной системы эпидемиологического надзора, получившее мощный толчок во время пандемии новой коронавирусной инфекции, в соответствии с современными вызовами рано или поздно потребует более широкого внедрения алгоритмического подхода. Действующий сегодня Национальный стандарт ГОСТ Р 22.0.04-2020⁵ при оценке ситуации как эпидемии уже опирается на понятие «эпидемических порогов» – рассчитанных по отдельным нозологическим формам предельных уровней нормальной заболеваемости населения определенной территории, превышение которых свидетельствует об эпидемии. Развитие автоматизированных систем управления для сбора и анализа данных, в том числе в сфере эпидемиологического надзора, позволит не только аккумулировать необходимую информацию, но и автоматизировать процессы расчетов, не привлекая к этому процессу операторов. В то же время главной сложностью остается отсутствие утвержденного алгоритма для расчета эпидемических порогов, исключая только ОРИ и грипп. Следует отметить попытки отечественных ученых расширить сферу применения алгоритма МР 3.1.2.0118–17 на энтеровирусную (неполио) инфекцию [24] с использованием ежемесячных данных и на инфекционный мононуклеоз [25] с использованием годовых данных и существенной модификацией алгоритма. С другой стороны, авторские коллективы предлагают собственные новые алгоритмы: так на основе среднего времени первого появления (алгоритм анализа времени до события по классификации Unkel et al.) предложена цифровая система, которая по утверждению авторов предназначена для определения момента времени с которого начинается новая волна эпидемии и предсказания дня и количества инфицированных, когда «вспышка эпидемии» (прим. – цитируется дословно!) начнет достигать своего максимума⁶, т. е. данный подход не является мониторинговым. Другой интересный алгоритм, ближе всего соответствующий группе алгоритмов статистического контроля качества по классификации Unkel et al., для расчета эпидемических порогов заболеваемости внебольничными пневмониями использует в качестве порогового значения величины третьего квартиля распределения уровней регистрации за соответствующую календарную неделю за 6 предшествующих лет [26]. В целом оба подхода опробованы в единственном регионе (Республике Марий Эл и Иркутской области соответственно) и на единственной нозологической форме (COVID-19 и внебольничные пневмонии), но в обоих случаях авторы полагают возможным использовать предложенные алгоритмы для иной патологии, а также в синдромном надзоре (только второй алгоритм), что является вполне допустимым предложением, коль скоро никаких эпидемиологических закономерностей ни один из алгоритмов не использует.

На пути к внедрению в практику эпидемиологического надзора новых или существующих алгоритмов отметим, однако, коллизию между Национальным стандартом ГОСТ Р 22.0.04-2020, устанавливающим единственный критерий эпидемии (превышение порогового уровня заболеваемости), Методическими рекомендациями МР 3.1.2.0118–17, использующими дополнительный критерий (темп прироста более 20 %), и эпидемиологической действительностью, в которой рост регистрации может быть обусловлен совершенствованием (расширением) диагностики. И вновь уместно повторить тезис «мы должны сначала согласиться, что считать эпидемией (вспышкой)» [23]. Выбор одного или нескольких способов (алгоритмов) установления эпидемических порогов для широкого круга инфекционных заболеваний зачастую и является таким соглашением. Именно такой подход не только соответствует общемировой практике, но и имплементирован в отечественные нормативно-правовые акты. Основное препятствие на этом пути состоит в том, что немногие авторы, проводившие сравнительный анализ различных алгоритмов, в том числе, описанных в настоящей работе, не приходят к единому мнению: одни утверждают преимущество конкретных алгоритмов (EARS или Farrington), другие делают заключение об отсутствии достаточно точного варианта [27–29]. Важно отметить, что сравнение алгоритмов друг с другом – тупиковый подход, поскольку отсутствует какой-либо внешний «золотой» стандарт, на основании которого можно оценивать ситуацию. Так в упомянутых выше источниках [27–29] авторы использовали симулированные данные с заранее заложенными эпидемиями (вспышками), тогда как в случае применения реальных данных авторы воздерживаются от каких-либо суждений о точности алгоритмов, лишь приводя результаты расчетов [13]. По-видимому, каждый алгоритм имеет свои сильные и слабые стороны, отличаясь по требуемым данным и необходимым вычислительным мощностям (последнее особенно актуально с учетом размера нашей страны и большого количество административно-территориальных единиц). В то же время, автоматизированная система управления при современных вычислительных возможностях ЭВМ может включать множество алгоритмов для их сравнительной проверки.

Заключение. Таким образом, на сегодняшний день в профессиональном сообществе не достигнуто единого мнения о наиболее эффективных алгоритмах расчета эпидемических порогов, которые могут быть рекомендованы для универсального применения. Вместе с тем, в отечественной и зарубежной литературе складывается консенсус о применении метода движущихся эпидемий в области надзора за гриппом и ОРИ.

При выборе алгоритма необходимо учитывать, что каждый их них имеет различную логику срабатывания, реагирует на разные характеристики проявлений эпидемического процесса, имеет значительно различающуюся сложность. Большинство применяемых за рубежом алгоритмов, в силу терминологических различий с действующими отечественными нормативными документами, не могут быть напрямую использованы для принятия управленческих решений об установлении факта эпидемии, поскольку не позволяют определять эпидемический порог в числовом значении или называют его иным образом (например, базовая линия в алгоритме МДЭ).

Совершенствование применяемых в эпидемиологическом надзоре в нашей стране алгоритмов установления эпидемических порогов возможно по трем направлениям: модификация уже принятых в отечественной практике алгоритмов, глубокая адаптация зарубежных алгоритмов, совершенствование нормативной базы.