Preview

Журнал микробиологии, эпидемиологии и иммунобиологии

Расширенный поиск

Прогнозирование заболеваемости Крымской геморрагической лихорадкой на основе данных спутникового мониторинга (дистанционного зондирования Земли из космоса) на примере Ставропольского края

https://doi.org/10.36233/0372-9311-213

Полный текст:

Аннотация

Введение. Сохранение напряжённой эпидемиологической ситуации по Крымской геморрагической лихорадке (КГЛ) во многих странах мира требует уделять особое внимание разработке и совершенствованию методов риск-ориентированного эпидемиологического прогнозирования.

Цель исследования — разработка прогнозной модели динамики заболеваемости КГЛ (на примере Ставропольского края) с использованием данных спутникового мониторинга (дистанционного зондирования Земли из космоса).

Материалы и методы. Проанализированы климатические данные Института космических исследований РАН и сведения официальной статистической отчётности по заболеваемости КГЛ с 2005 по 2021 г. Прогнозная модель была разработана на основе теоремы Байеса и последовательного статистического анализа Вальда. Информативность факторов оценивали по методу Кульбака.

Результаты. Прогнозы по каждому из 26 районов были составлены поэтапно (относительно пороговых уровней): будет хотя бы один больной КГЛ, превысит ли относительная заболеваемость на 100 тыс. населения уровень медианы (0,9 заболевших), среднее (3,5 заболевших) и третьего квартиля (4,7 заболевших). Наиболее высокие значения коэффициентов информативности были получены для температуры и влажности почвы (на глубине 10 и 40 см), нормализованного относительного вегетационного индекса, относительной влажности, максимальной и средней температуры воздуха, относительной влажности воздуха. При апробации модели в 2021 г. ложноотрицательный (ошибочный) прогноз был дан для 2 районов. Обсуждение. Наиболее эффективно модель позволяет прогнозировать наличие или отсутствие больных. Более точное количественное прогнозирование несколько затруднено в связи с наличием субъективных факторов (в том числе постановка больным КГЛ без геморрагических проявлений неверных диагнозов и оказание им помощи по поводу других заболеваний со сходными симптомами).

Заключение. Апробация модели свидетельствует о её перспективности. Внедрение прогноза в практику позволит повысить настороженность медицинских работников для улучшения выявляемости больных КГЛ.

Введение

На протяжении многих лет в странах Центральной Азии, Ближнего и Среднего Востока, а также в Российской Федерации сохраняется напряжённая эпидемиологическая ситуация по особо опасной арбовирусной инфекции — Крымской геморрагической лихорадке (КГЛ) [1–12].

Учитывая отсутствие препаратов для специфической профилактики этой опасной инфекции, с целью стабилизации эпидемиологической ситуации особое внимание уделяется составлению риск-ориентированного прогноза заболеваемости населения как основы для последующего научно обоснованного планирования неспецифических профилактических мероприятий.

Так, в Турции для составления эпидемиологического прогноза было предложено использование агентной модели типа SIR [13]. В России на основе метода определения «максимальной стабильности» и регрессионного анализа предпринимались попытки создания модели краткосрочного прогнозирования предполагаемого количества больных для определения ожидаемого числа случаев КГЛ (годового показателя) в текущем году по заболеваемости «ключевого» месяца [14].

Вместе с тем КГЛ является природно-очаговой трансмиссивной инфекцией, поэтому при выборе методики прогнозирования предпочтение следует уделять методам, дающим возможность учёта действия климатических факторов на численность специфических переносчиков её возбудителя — иксодовых клещей, и, как следствие, на уровень заболеваемости населения, что также подтверждается результатами ряда зарубежных исследований. Так, в Иране на основе анализа временны́х рядов, проведённого с использованием модели авторегрессии интегрированного скользящего среднего (seasonal auto-regression integrated moving average — SARIMA model), установлена выраженная связь числа больных с ежемесячной средней температурой воздуха, максимальной месячной относительной влажностью и накопленным количеством осадков, а методом регрессионного анализа Пуассона с псевдо-R-квадратом Макфаддена — корреляция со значениями максимальной температуры предыдущего месяца [15][16]. В Болгарии с помощью однофакторного дисперсионного анализа (one-way analysis of variance — ANOVA) выявлено, что увеличение средней температуры воздуха и нормализованного вегетационного индекса (Normalized Difference Vegetation Index — NDVI) на единицу приводит к росту заболеваемости КГЛ на 5,5% [17].

Ранее В.М. Дубянским и Д.А. Прислегиной на основе корреляционного анализа, теоремы Байеса и последовательного статистического анализа Вальда была разработана методика для количественного риск-ориентированного прогнозирования заболеваемости КГЛ по каждому административному району Ставропольского края [18–20]. Расчёты проводили с использованием ежемесячных числовых значений пяти факторов всех сезонов года (температуры воздуха, относительной влажности воздуха, количества выпавших осадков, высоты снежного покрова и скорости ветра), влияющих на жизнедеятельность различных стадий жизненного цикла клещей Hyalomma marginatum — основного переносчика и резервуара вируса КГЛ на территории России [10][12][21–25]. Эффективность предлагаемой методики была подтверждена совпадением полученных результатов в 2018 г. с фактическими данными на 87,4%, результаты прогноза использовались при планировании профилактических мероприятий.

Данная работа является продолжением исследования, её цель — дальнейшее совершенствование методов составления прогноза заболеваемости КГЛ и получение новых данных о связи интенсивности проявлений эпидемического и эпизоотического процессов этой особо опасной инфекции с комплексным влиянием множества различных, в том числе ранее неучтенных, климатических факторов.

Материалы и методы

Исследование носило комплексный характер с использованием методов эпидемиологического анализа и математической статистики.

Материалами послужили гидрометеорологические данные и NDVI, полученные из базы данных Центра коллективного пользования системами архивации, обработки и анализа данных спутниковых наблюдений ОИ ЦКП «ИКИ-мониторинг» Института космических исследований РАН, а также сведения официальной статистической отчётности за 2005–2021 гг. Для расчёта относительной заболеваемости КГЛ (на 100 тыс. населения) по административным районам Ставропольского края были проанализированы карты эпидемиологического обследования очага инфекционного заболевания (форма № 357/у), предоставленные Управлением Роспотребнадзора по Ставропольскому краю, архивные сведения Управления Федеральной службы государственной статистики по Северо-Кавказскому федеральному округу и Федеральной службы государственной статистики за каждый год исследуемого периода.

Прогнозная модель динамики заболеваемости была разработана на основе теоремы Байеса и последовательного статистического анализа Вальда [26–28]. Выбор теоремы Байеса для построения модели был обоснован возможностью учёта разнонаправленного влияния множества факторов по каждому административному району на основании данных о частоте встречаемости соответствующих величин и наличии/отсутствии случаев заболевания, а также поэтапного получения альтернативных результатов (одного из двух возможных вариантов прогноза — отсутствие/появление больного, превысит/не превысит показатель заболеваемости каждое из выбранных пороговых значений).

Пороговый уровень вероятности позитивного решения был выбран 99% (вероятность ошибки 1%). В качестве данных были использованы числовые значения 13 климатических факторов (за каждый месяц исследуемого периода и среднегодовых):

  • температуры воздуха — средней, максимальной и минимальной (°С);
  • температуры почвы на глубине 10 и 40 см (°С);
  • влажности почвы на глубине 10 и 40 см (%);
  • глубины снега (м);
  • доля площади, покрытой снегом (%);
  • давления (Па);
  • относительной влажности воздуха (%);
  • количества осадков (кг/м2);
  • NDVI (отн. ед.).

Таким образом рассчитана информативность 169 параметров. Её оценка проводилась по методу Кульбака [26–28]. Фактор считается информативным, если он обнаруживает большую степень различия распределений при двух дифференцируемых состояниях объекта исследования. Например, при среднемесячной температуре воздуха в июне 28°С вероятность заболевания КГЛ хотя бы 1 человека на территории природного очага в среднем в 2 раза выше, чем при температуре 24°С. Этот фактор можно считать информативным, т.к. при достижении указанной температуры прогноз на заболеваемость будет выполняться в отношении 2 : 1. Однако удобнее оперировать производной величиной от информативности — диагностическим коэффициентом. Этот показатель позволяет определить вероятность того, что при определённом значении нескольких факторов объект будет в одном из двух исследуемых состояний. Например, если среднемесячная температура воздуха в июне 28°С, а среднемесячное давление в июне выше 103 165,18 Па, то вероятность заболевания КГЛ хотя бы 1 человека на территории природного очага достигнет 0,8.

От разработанной ранее методики риск-ориентированного прогнозирования [18–20] предлагаемая модель, кроме увеличения количества используемых факторов, принципиально отличается организацией данных для выявления предикторов. С учётом относительно короткого временнoго ряда (15 лет) и ландшафтно-географической неоднородности Ставропольского края данные были организованы следующим образом: заболеваемость КГЛ последовательно по административным районам и по годам объединяли в общий ряд (всего 364 значения), а погодно-климатические показатели распределяли соответственно заболеваемости.

Заболеваемость измерялась в относительных показателях на 100 тыс. населения.

Вычисления коэффициентов информативности и прогностический коэффициент проводятся автоматически в программе на основе «Microsoft Exсel 2010», разработанной авторами.

Пошаговый алгоритм составления прогноза с использованием прогнозной модели:

  1. Определение коэффициентов информативности и прогностических коэффициентов факторов в программе.
  2. Составление оптимизированного перечня факторов (со значениями коэффициента информативности ≥ 0,5 в порядке убывания).
  3. Прогнозирование появления (отсутствия) хотя бы 1 случая заболевания на 100 тыс. населения.
  4. Расчёт заболеваемости на 100 тыс. населения относительно порогового уровня медианы (0,9).
  5. Расчёт заболеваемости на 100 тыс. населения относительно порогового уровня среднего (3,5).
  6. Расчёт заболеваемости на 100 тыс. населения относительно порогового уровня третьего квартиля (4,7).

Вычисления по пункту 2 выполняли относительно выбранного нами самого минимального порогового значения (значения 0,000009, что меньше показателя 1 больной на 100 тыс. населения). Расчёты прогноза осуществляли, суммируя значения прогностических коэффициентов информативных факторов в соответствии с градациями их значений по каждому административному району до получения числового значения «+20» или «–20», что свидетельствует о возникновении/отсутствии случаев заболевания с вероятностью 99%. Далее для районов с положительными результатами аналогично составляли прогноз относительно других выбранных пороговых уровней заболеваемости.

Результаты

Прогнозная модель разработана для составления прогноза эпидемиологической ситуации по КГЛ по каждому району на основе климатических данных предыдущего года. До настоящего времени подобных исследований по прогнозированию заболеваемости КГЛ с использованием данных спутникового мониторинга (дистанционного зондирования Земли из космоса) и схожего алгоритма не проводилось.

Модель разработана для прогнозов по альтернативам: будет или не будет хотя бы 1 больной КГЛ в районе, превысит относительная заболеваемость (на 100 тыс. населения) уровень медианы (0,9 заболевших), среднее (3,5), уровень третьего квартиля (4,7). Информативные предикторы для каждого порога представлены в табл. 1.

Таблица 1. Климатические и экологические показатели, используемые в качестве предикторов к прогнозной модели
Table 1. Climatic and environmental indicators used as predictors of the forecast model

Всего для порога «будет или не будет хотя бы один больной КГЛ в районе» в модели использовано 57 предикторов, для порога «превысит относительная заболеваемость уровень медианы (0,9 заболевших на 100 тыс. населения)» использовано 62 предиктора, для порога «превысит ли относительная заболеваемость среднее (3,5 заболевших)» — 56 предикторов, для порога «превысит ли относительная заболеваемость уровень третьего квартиля (4,7 заболевших)» — 55 предикторов.

При оценке информативности факторов наиболее высокие значения коэффициентов информативности были получены для температуры и влажности почвы на (глубине 10 и 40 см), NDVI, относительной влажности, максимальной и средней температуры воздуха (в июне), относительной влажности воздуха и NDVI (в августе). Данные климатические факторы в указанные месяцы (согласно данным литературы) оказывают выраженное влияние на эмбриогенез, выживаемость и развитие преимагинальных фаз H. marginatum, на численность прокормителей преимагинальных фаз, тем самым в значительной мере определяя численность имаго клещей в следующем («прогнозируемом») году [22][24][25].

Проверка прогнозной модели динамики заболеваемости КГЛ была проведена на ретроспективных данных 2018–2020 гг. (табл. 2).

Таблица 2. Результаты проверки прогнозной модели динамики заболеваемости КГЛ на ретроспективных данных 2018–2020 гг.
Table 2. The results of checking the forecast model of the СCHF morbidity dynamics using retrospective data fo 2018–2020

Варианты ошибочных прогнозов, полученных при построении модели, были разделены на 4 типа:

  • ложноположительный — результат прогноза «положительный», но фактически больных не зарегистрировано;
  • ложноотрицательный — результат прогноза «отрицательный», но фактически выявлены случаи заболевания;
  • завышенный — фактический показатель заболеваемости меньше прогнозируемого значения, рассчитанного относительно порогового уровня;
  • заниженный — фактический показатель заболеваемости превышает рассчитанный относительно порогового уровня результат прогноза.

В 2020 г. был подготовлен эпидемиологический прогноз на 2021 г. (табл. 3).

Таблица 3. Результаты апробации прогнозной модели динамики заболеваемости КГЛ на 2021 г.
Table 3. The results of approbation of the forecast model of the СCHF morbidity dynamics for 2021

Прежде чем перейти к обсуждению эффективности прогноза, отметим следующие нюансы. КГЛ часто протекает без проявлений геморрагического синдрома, с симптомами, похожими на ОРВИ [8][9][19], и определённая часть заболевших получает другие диагнозы либо вообще не регистрируется [8][9][19]. Поэтому официальное количество заболевших зависит не только от объективных факторов окружающей среды, но и от субъективных: тяжесть заболевания, квалификация медицинского и лабораторного персонала в отдельных лечебных учреждениях [19]. Эти субъективные факторы в прогнозе не учитываются. Соответственно, наиболее эффективно прогнозируется наличие или отсутствие заболеваемости в принципе. Более точные значения заболеваемости более подвержены влиянию субъективных факторов и хуже поддаются прогнозированию.

Данные табл. 3 наглядно подтверждают вышесказанное. Из 26 административных районов Ставропольского края ошибочный прогноз дан только для двух: Грачевского и Шпаковского, т.е. ошибка по порогу «будет или не будет хотя бы 1 больной КГЛ в районе» составила 7,7%. В этих районах прогнозировалось отсутствие заболеваемости, хотя реально больные регистрировались.

Завышенное количество больных прогнозировалось для 11 районов. Это вряд ли может считаться серьёзной ошибкой прогноза, т.к. нельзя исключить недостаточную диагностику (постановку неверных диагнозов) или возможную регистрацию случая заражения на территории другого района (по месту проживания больного).

Заключение

Результаты использования прогнозной модели в 2021 г. показали её перспективность. Отметим, что, согласно проведенному авторами изучению литературы, нигде в мире лучших результатов в прогнозировании заболеваемости КГЛ не достигнуто [24].

В то же время в модели используются в качестве предикторов в основном только показатели погоды. Хотя использованные сведения полностью согласуются с данными литературы об опосредованном комплексном влиянии климатических факторов на эпидемиологическую ситуацию по КГЛ, модель необходимо дополнить биотическими предикторами [24][25][30].

Внедрение прогноза в практику позволит дополнительно насторожить медицинских работников на угрожаемых территориях и будет способствовать улучшению выявляемости больных КГЛ и проведению неспецифических профилактических мероприятий.

Для развития этого направления планируется апробация прогнозной модели на примере других субъектов, эндемичных по КГЛ (Ростовская область и Республика Калмыкия).

Список литературы

1. Shahhosseini N., Wong G., Babuadze G., Camp J.V., Ergonul O., Kobinger G.P., et al. Crimean-Congo hemorrhagic fever virus in Asia, Africa and Europe. Microorganisms. 2021; 9(9): 1907. https://doi.org/10.3390/microorganisms9091907

2. Obaidat M.M., Graziano J.C., Morales-Betoulle M., Brown S.M., Chiang C.F., Klena J.D. Rift Valley fever and Crimean-Congo hemorrhagic fever viruses in ruminants, Jordan. Emerg. Infect. Dis. 2021; 27(2): 653–55. https://doi.org/10.3201/eid2702.203713

3. Temur A.I., Kuhn J.H., Pecor D.B., Apanaskevich D.A., Keshtkar-Jahromi M. Epidemiology of Crimean-Congo hemorrhagic fever (CCHF) in Africa-underestimated for decades. Am. J. Trop. Med. Hyg. 2021; 104(6): 1978–90. https://doi.org/10.4269/ajtmh.20-1413

4. Dieng I., Barry M.A., Diagne M.M., Diop B., Ndiaye M., Faye M., et al. Detection of Crimean Congo haemorrhagic fever virus in North-eastern Senegal, Bokidiawé 2019. Emerg. Microbes Infect. 2020; 9(1): 2485–87. https://doi.org/10.1080/22221751.2020.1847605

5. Schulz A., Barry Y., Stoek F., Pickin M.J., Ba A., Chitimia-Dobler L., et al. Detection of Crimean-Congo hemorrhagic fever virus in blood-fed Hyalomma ticks collected from Mauritanian livestock. Parasit. Vectors. 2021; 14(1): 342. https://doi.org/10.1186/s13071-021-04819-x

6. Balinandi S., von Brömssen C., Tumusiime A., Kyondo J., Kwon H., Monteil V.M., et al. Serological and molecular study of Crimean-Congo hemorrhagic fever virus in cattle from selected districts in Uganda. J. Virol. Methods. 2021; 290: 114075. https://doi.org/10.1016/j.jviromet.2021.114075

7. Negredo A., Sánchez-Ledesma M., Llorente F., Pérez-Olmeda M., Belhassen-García M., González-Calle D., et al. Retrospective identification of early autochthonous case of Crimean-Congo hemorrhagic fever, Spain, 2013. Emerg. Infect. Dis. 2021; 27(6): 1754–6. https://doi.org/10.3201/eid2706.204643

8. Куличенко А.Н., Малецкая О.В., Прислегина Д.А., Василенко Н.Ф., Семенко О.В., Газиева А.Ю. и др. Эпидемиологическая обстановка по природно-очаговым инфекционным болезням в Южном и Северо-Кавказском федеральных округах в 2019 г. Аналитический обзор. Ставрополь; 2020. Available at: https://www.snipchi.ru/updoc/2020/AnObzor%20po%20prirodno-oschagovim%202020.pdf

9. Малецкая О.В., Таран Т.В., Прислегина Д.А., Дубянский В.М., Волынкина А.С., Семенко О.В. и др. Природно-очаговые вирусные лихорадки на юге европейской части России. Крымская геморрагическая лихорадка. Проблемы особо опасных инфекций. 2020; (4): 75–80. https://doi.org/10.21055/0370-1069-2020-4-75-80

10. Онищенко Г.Г., Ефременко В.И., Бейер А.П. Крымская геморрагическая лихорадка. М.; 2005.

11. Платонов А.Е., Авксентьев Н.А., Авксентьева М.В., Деркач Е.В., Платонова О.В., Титков А.В. и др. Социально- экономическое бремя пяти природно-очаговых инфекций в Российской Федерации. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2015; 8(1): 47–56. https://doi.org/10.17749/2070-4909.2015.8.1.047-056

12. Смирнова С.Е. Крымская-Конго геморрагическая лихорадка (этиология, эпидемиология, лабораторная диагностика). М.: АТиСО; 2007.

13. Estrada-Peña A., Zatansever Z., Gargili A., Aktas M., Uzun R., Ergonul O., et al. Modeling the spatial distribution of CrimeanCongo hemorrhagic fever outbreaks in Turkey. Vector Borne Zoonotic Dis. 2007; 7(4): 667–78. https://doi.org/10.1089/vbz.2007.0134

14. Харченко Т.В. Современные эпидемиологические особенности Крымской геморрагической лихорадки в Российской Федерации: Автореф. дисс. … канд. мед. наук. Ставрополь; 2011

15. Ansari H., Shahbaz B., Izadi S., Zeinali M., Tabatabaee S.M., Mahmoodi M., et al. Crimean-Congo hemorrhagic fever and its relationship with climate factors in southeast Iran: a 13-year experience. J. Infect. Dev. Ctries. 2014; 8(6): 749–57. https://doi.org/10.3855/jidc.4020

16. Mostafavi E., Chinikar S., Bokaei S., Haghdoost A. Temporal modeling of Crimean-Congo hemorrhagic fever in eastern Iran. Int. J. Infect. Dis. 2013; 17(7): 524–8. https://doi.org/10.1016/j.ijid.2013.01.010

17. Vescio F.M., Busani L., Mughini-Gras L., Khoury C., Avellis L., Taseva E., et al. Environmental correlates of Crimean-Congo haemorrhagic fever incidence in Bulgaria. BMC Public Health. 2012; 12: 1116. https://doi.org/10.1186/1471-2458-12-1116

18. Дубянский В.М., Прислегина Д.А., Куличенко А.Н. Риск-ориентированная модель прогнозирования эпидемиологической ситуации по Крымской геморрагической лихорадке (на примере Ставропольского края). Анализ риска здоровью. 2018; (1): 13–21. https://doi.org/10.21668/health.risk/2018.1.02

19. Прислегина Д.А., Дубянский В.М., Малецкая О.В., Куличенко А.Н., Василенко Н.Ф., Манин Е.А. и др. Крымская геморрагическая лихорадка в Ставропольском крае: современные клинико-эпидемиологические аспекты и новый подход к прогнозированию заболеваемости. Инфекционные болезни: новости, мнения, обучение. 2018; 7(3): 49–56. https://doi.org/10.24411/2305-3496-2018-13007

20. Прислегина Д.А., Дубянский В.М., Куличенко А.Н. Особо опасные арбовирусные лихорадки на юге России: совершенствование мониторинга с применением современных информационных технологий. Медицина труда и экология человека. 2019; (4): 50–8. https://doi.org/10.24411/2411-3794-2019-10047

21. Тохов Ю.М., Дегтярев Д.Ю., Дубянский В.М. Иксодовые клещи (морфология, медицинское значение, регуляция численности). Ставрополь; 2015.

22. Трухачев В.И., Тохов Ю.М., Луцук С.Н., Дылев А.А., Толоконников В.П., Дьяченко Ю.В. Распространение и экологическая характеристика иксодовых клещей рода Hyalomma в экосистемах Ставропольского края. Юг России: экология, развитие. 2016; 11(2): 59–69. https://doi.org/10.18470/1992-1098-2016-2-59-69

23. Тохов Ю.М., Чумакова И.В., Луцук С.Н., Дьяченко Ю.В., Котенев Е.С., Зайцев А.А. Иксодовые клещи – резервуар возбудителей инфекционных и инвазионных болезней на территории Ставропольского края. Вестник ветеринарии. 2013; (2): 19–21.

24. Прислегина Д.А., Дубянский В.М., Платонов А.Е., Малецкая О.В. Влияние природно-климатических факторов на эпидемиологическую ситуацию по природно-очаговым инфекциям. Инфекция и иммунитет. 2021; 11(5): 820–36. https://doi.org/10.15789/2220-7619-EOT-1631

25. Куличенко А.Н., Прислегина Д.А. Крымская геморрагическая лихорадка: климатические предпосылки изменений активности природного очага на юге Российской Федерации. Инфекция и иммунитет. 2019; 9(1): 162–72. https://doi.org/10.15789/2220-7619-2019-1-162-172

26. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Ленинград: Медицина; 1978.

27. Гублер Е.В., Генкин А.А. Применение непараметрических критериев статистики в медико-биологических исследованиях. Ленинград: Медицина; 1973.

28. Дубянский М.А., Кенжебаев А., Степанов В.М., Асенов Г.А., Дубянская Л.Д. Прогнозирование эпизоотической активности чумы в Приаралье и Кызылкумах. Нукус: Каракалпакстан; 1992.

29. Yigit G.K. An example of tick-Crimean Congo hemorrhagic fever (CCHF) in Eflani district, Karabuk, Turkey. Sci. Res. Essays. 2011; 6(11): 2395–402. https://doi.org/10.5897/SRE11.574

30. Черкасский Б.Л. Риск в эпидемиологии. М.: Практическая медицина; 2007.


Об авторах

В. М. Дубянский
Ставропольский научно-исследовательский противочумный институт; Центральный научно-исследовательский институт эпидемиологии
Россия

Дубянский Владимир Маркович — доктор биологических наук, зав. отделом эпизоотологического мониторинга и прогнозирования Ставропольского противочумного института; член временного научного коллектива по выполнению гранта РНФ ЦНИИ Эпидемиологии.

Ставрополь, Москва



Д. А. Прислегина
Ставропольский научно-исследовательский противочумный институт; Центральный научно-исследовательский институт эпидемиологии
Россия

Прислегина Дарья Александровна — кандидат медицинских наук, старший научный сотрудник лаб. эпидемиологии Ставропольского противочумного института; член временного научного коллектива по выполнению гранта РНФ ЦНИИ Эпидемиологии.

Ставрополь, Москва



А. Е. Платонов
Центральный научно-исследовательский институт эпидемиологии
Россия

Платонов Александр Евгеньевич — доктор биологических наук, проф., главный научный сотрудник лаб. эпидемиологии природно-очаговых инфекций ЦНИИ Эпидемиологии.

Москва



Рецензия

Просмотров: 145


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0372-9311 (Print)
ISSN 2686-7613 (Online)