Отримано 31.03.2025, Доопрацьовано 08.07.2025, Прийнято 28.08.2025

Моделювання впливу адаптивних карантинних обмежень на динаміку епідемічного процесу

Леонід Гаврильчик

Актуальність дослідження зумовлена необхідністю розробки ефективних стратегій управління епідеміями в умовах обмежених ресурсів. Метою роботи було оцінити ефективність адаптивних карантинних обмежень у стримуванні поширення COVID-19 та підходів до управління епідемічними процесами. Для досягнення цієї мети використано математичне моделювання динаміки епідемії залежно від різних сценаріїв карантинних заходів. У дослідженні проаналізовано вплив адаптивного карантину, запровадженого в Україні, який передбачав поділ регіонів на чотири зони: зелену, жовту, помаранчеву та червону, залежно від епідеміологічної ситуації, від мінімальних до повної заборони функціонування громадських закладів – залежно від епідеміологічної ситуації. Результати моделювання показали, що адаптивний карантин дозволяє зменшити загальну захворюваність на 35–50 %, скоротити тривалість пікових фаз на 20–30 % та знизити навантаження на систему охорони здоров’я. Сегментація територій за рівнем епідемічного ризику сприяла оптимізації соціально-економічних наслідків карантинних заходів, дозволяючи зберігати економічну активність у регіонах із кращою епідеміологічною ситуацією. Дослідження підтвердило, що адаптивний карантин є ефективним інструментом контролю над поширенням інфекції, забезпечуючи баланс між потребами охорони здоров’я та мінімізацією економічних втрат. Такий підхід рекомендується для використання в інших країнах, що стикаються з подібними викликами, оскільки він дозволяє ефективно управляти епідемією в умовах обмежених ресурсів та мінімізувати негативні наслідки для суспільства та економіки. Таким чином, отримані результати мають прикладне значення для формування політики охорони здоров’я в періоди епідемій. Математичне моделювання може стати основою для прогнозування розвитку захворюваності та прийняття оперативних рішень щодо посилення або пом’якшення карантинних обмежень. Застосування адаптивного підходу дозволяє враховувати регіональні особливості епідемічного процесу, підвищуючи гнучкість та ефективність управління. Це робить адаптивний карантин універсальним інструментом, здатним зменшити як медичні, так і соціально-економічні втрати під час епідемій

вірус SARS-CoV-2; система комунікації; соціально-економічний вплив обмежень; динаміка інфекції; ізоляція інфікованих; динаміка поширення COVID-19; модель SIR
118-131
Havrylchyk*, L. (2025). Modelling the impact of adaptive quarantine restrictions on the dynamics of the epidemic process. Information Technologies and Computer Engineering, 22(2), 118-131. https://doi.org/10.31649/vitce/2.2025.118

Використані джерела

[1] Adu, P., Popoola, T., Iqbal, N., Roemer, A., Medvedev, O.N., & Simpson, C.R. (2025). A cross-country network analysis of disease infodemics: Looking through the lens of the COVID-19 pandemic. Vaccine, 48, article number 126733. doi: 10.1016/j.vaccine.2025.126733.

[2] Aronna, M.S., Guglielmi, R., & Moschen, L. (2021). A model for COVID-19 with isolation, quarantine and testing as control measures. Epidemics, 34, article number 100437. doi: 10.1016/j.epidem.2021.100437.

[3] Azis, D., Zakaria, L., Ruby, T., & Arifaldi, M.I. (2023). The development of COVID-19 using outbreak the susceptible, infected, and recovered (SIR) model with vaccination. Barekeng, 17(3), 1325-1340. doi: 10.30598/ barekengvol17iss3pp1325-1340.

[4] Bekesiene, S., Samoilenko, I., Nikitin, A., & Meidute-Kavaliauskiene, I. (2022). The complex systems for conflict interaction modelling to describe a non-trivial epidemiological situation. Mathematics, 10(4), article number 537. doi: 10.3390/math10040537.

[5] Brinks, R., & Hoyer, A. (2024). Approximation of the infection-age-structured SIR model by the conventional SIR model of infectious disease epidemiology. Frontiers in Epidemiology, 4, article number 1429034. doi: 10.3389/ fepid.2024.1429034.

[6] Canuto, O. (2020). The impact of coronavirus on the global economy. Retrieved from https://www.policycenter.ma/sites/ default/files/PB_20-58_Canuto.pdf.

[7] Chen, C., Zheng, Y., Vanclay, F., & Zhang, Y. (2024). Enhancing the social outcomes from restrictions on arrivals during global public health emergencies: A social impact assessment perspective. Environmental Impact Assessment Review, 105, article number 107460. doi: 10.1016/j.eiar.2024.107460.

[8] Du, Z., Xu, X., Wu, Y., Wang, L., Cowling, B.J., & Mayers, L.A. (2020). Serial interval of COVID-19 among publicly reported confirmed cases. Emerging Infectious Diseases, 26(6), 1341-1343. doi: 10.3201/eid2606.200357.

[9] Feng, Z. (2007). Final and peak epidemic sizes for SEIR models with quarantine and isolation. Mathematical Biosciences and Engineering, 4(4), 675-686. doi: 10.3934/mbe.2007.4.675.

[10] Gosak, M., Kraemer, M.U.G., Nax, H.H., Perc, M., & Pradelski, B.S.R. (2021). Endogenous social distancing and its underappreciated impact on the epidemic curve. Scientific Reports, 11, article number 3093. doi: 10.1038/s41598-02182770-8.

[11] Horstmeyer, L., Kuehn, C., & Thurner, S. (2022). Balancing quarantine and self-distancing measures in adaptive epidemic networks. Bulletin of Mathematical Biology, 84(9), article number 79. doi: 10.1007/s11538-022-01033-3.

[12] Kang, H., Liu, K., & Fu, X. (2017). Dynamics of an epidemic model with quarantine on scale-free networks. Physics Letters A, 381(47), 3945-3951. doi: 10.1016/j.physleta.2017.09.040.

[13] Lehohla, P. (2020). The murderous coronavirus: Data and statistics to die or to adapt, but together – that is the question. Critical Sociology, 47(4-5), 699-719. doi: 10.1177/0896920520974080.

[14] Mancastroppa, M., Burioni, R., Colizza, V., & Vezzani, A. (2020). Active and inactive quarantine in epidemic spreading on adaptive activity-driven networks. ArXiv. doi: 10.48550/arXiv.2004.07902.

[15] Ministry of Health of Ukraine. (2021). Operational information on the spread and prevention of COVID-19. Retrieved from https://moz.gov.ua/uk/operativna-informacija-pro-poshirennja-koronavirusnoi-infekcii-2019-cov19.

[16] Ministry of Health of Ukraine. (n.d.). Orders of the Ministry of Health. Retrieved from https://moz.gov.ua/uk/nakazimoz.

[17] Mossong, J., et al. (2008). Social contacts and mixing patterns relevant to the spread of infectious diseases. PLOS Medicine, 5(3), article number e74. doi: 10.1371/journal.pmed.0050074.

[18] Moujahid, A., & Vadillo, F. (2021). A comparison of deterministic and stochastic susceptible-infected-susceptible (SIS) and susceptible-infected-recovered (SIR) models. Open Journal of Modelling and Simulation, 9(3), 246-258. doi: 10.4236/ojmsi.2021.93016.

[19] Ngonghala, C.N., Knitter, J.R., Marinacci, L., Bonds, M.H., & Gamel, A.B. (2021). Assessing the impact of widespread respirator use in curtailing COVID-19 transmission in the USA. Royal Sociaty Open Science, 8(9), article number 210699. doi: 10.1098/rsos.210699.

[20] Piasecki, T., Mucha, P.B., & Rosińska, M. (2020). A new SEIR type model including quarantine effects and its application to analysis of COVID-19 pandemia in Poland in March-April 2020. ArXiv. doi: 10.48550/arXiv.2005.14532.

[21] Song, J., Liu, Z.-Q., Qang, Q., Zhu, Z.-I., Gao, B., & Yang, Z. (2020). Suggestions for selection and use of masks for dental medical staff during outbreaks of novel coronavirus pneumonia. Shanghai Journal of Stomatology, 29(4), 435-439. doi: 10.19439/j.sjos.2020.04.021.

[22] Susanto, A.D., et al. (2021). Epidemiological and clinical features of COVID-19 patients at National Emergency Hospital Wisma Atlet Kemayoran, Jakarta, Indonesia. Kesmas, 16(5), 11-16. doi: 10.21109/kesmas.v0i0.5233.

[23] Svoboda, D., Havelka, O., Holendová, J., & Kraft, J. (2025). An epidemiological model of SIR in a nanotechnological innovation environment. Heliyon, 11(6), article number e42309. doi: 10.1016/j.heliyon.2025.e42309.

[24] Toomey, E.C., et al. (2021). Extended use or reuse of single-use surgical masks and filtering face-piece respirators during the coronavirus disease 2019 (COVID-19) pandemic: A rapid systematic review. Infection Control and Hospital Epidemiology, 41(1), 75-83. doi: 10.1017/ice.2020.1243.

[25] Wiraya, A., Adi, Y.A., Fitriana, L., Triyanto, T., Kusumadewi, Y.A., Safitri, A.N., & Nurmalitasari, A. (2024). Birth of catastrophe and strange attractors through generalized Hopf bifurcations in COVID-19 transmission mathematical model. Chaos Theory and Applications, 6(2), 159-169. doi: 10.51537/chaos.1448912.

[26] Xue, M., Huang, Z., Hu, Y., Du, J., Gao, M., Pan, R., Mo, Y., Zhing, J., & Huang, Z. (2022). Monitoring European data with prospective space-time scan statistics: Predicting and evaluating emerging clusters of COVID-19 in European countries. BMC Public Health, 22, article number 14298. doi: 10.1186/s12889-022-14298-z.

[27] Yang, S., et al. (2020). Early estimation of the case fatality rate of COVID-19 in mainland China: A data-driven analysis. Annals of Translational Medicine, 8(4), article number 121. doi: 10.21037/atm.2020.02.66.