Skip to main content
  • Trg Nikole Pašića br. 7, sprat IV, 11000 Beograd
  • info@smj.rs

logo bez bolda opt

Pregledni rad

Modelovanje kao način upravljanja neizvesnošću pandemije: Procena smrtnosti u KOVID-19 pandemiji

Aleksandar Stevanović1,2, Milena Šantrić Milićević1,2
  • Institut za socijalnu medicinu, Medicinski fakultet, Univerzitet u Beogradu, Beograd, Srbija
  • Centar-Škola javnog zdravlja i menadžmenta u sistemu zdravstvene zaštite, Medicinski fakultet, Univerzitet u Beogradu, Beograd, Srbija

SAŽETAK

Progresija KOVID-19 pandemije motivisala je medicinsku i naučnu zajednicu da pokuša da modeluje i predvidi transmisiju SARS-KoV-2 virusa. Predviđanje mogućeg toka KOVID-19 pandemije je pomoglo da bolje razumemo nijanse u efektima usvojenih mera, kao i da se usmerimo ka budućim merama koje bi trebalo sprovesti. U ovom radu smo pokušali da sumiramo nekoliko odabranih pristupa koji su korišćeni za procenu efekata KOVID-19 pandemije, kako na globalnom tako i na lokalnom nivou (Srbija).


UVOD

Kako su se povećavala dostupna saznanja o novom korona virusu, uzročniku blagih ali i ozbiljnih infekcija, sa mogućim prisustvom asimptomatskih prenosilaca u opštoj populaciji, tako se povećavala i neophodnost za hitnim delovanjem, sa ciljem da se spreče zdravstveni problemi obolelih, invaliditeti i ekonomski gubitak [1],[2],[3],[4],[5]. Moguće prednosti implementiranih mera za ublažavanje pandemije KOVID-19 oboljenja procenjuju se ne samo na osnovu njihovih efekata na tok pandemije već i na osnovu procene njihovih direktnih i indirektnih posledica na privredu i društvo u celini [6],[7].

Širenje pandemije KOVID-19 oboljenja podstaklo je mnoge profesionalne planere da pokušaju da sačine modele tekućih i budućih transmisija novog virusa SARS-KoV-2 sa ciljem da se postigne bolje razumevanje njegovih efekata u različitim okruženjima. Epidemiološke, političke, regulatorne promene, promene u društvenom ophođenju, kao i sve veća saznanja i sve veći broj podataka, iskorišćeni su kako bi se formulisale mnogobrojne pretpostavke i fleksibilne procene različitih oblika izloženosti ljudi ovom virusu, kvaliteta lečenja i ishoda. Novi pristupi ovim projekcijama, koji koriste najnovije podatke za poboljšavanje ovih modela, se stalno pojavljuju [6],[7]. Obavezna primena različitih javnozdravstvenih mera u borbi protiv bolesti KOVID-19, kao i mere podrške i obuzdavanja širenja bolesti, predstavljaju odluke državnih zvaničnika i prevashodno se donose sa ciljem da se zaštite zdravlje i životi ljudi [8],[9]. Na primer, propisi koji se odnose na socijalnu distancu i nošenje zaštitnih maski za lice, doneti su na osnovu načina prenošenja ove varijante virusa, mobilnosti i gustine naseljenosti stanovništva, kao i sveukupnog odgovora javnosti na pandemiju. Brza akumulacija podataka iskorišćena je za procenu i praćenje različitih epidemioloških i kliničkih pokazatelja posmatranih u odnosu na starost, pol i ostale važne determinante zdravlja.

U ovom radu smo ukratko izneli nekoliko izabranih pristupa kreiranju projekcija koje se koriste za procenu efekata oboljenja KOVID-19 na globalnom i lokalnom nivou (npr. mortalitet u Srbiji).

PROCENA EFEKATA OBOLJENJA KOVID-19 NA GLOBALNOM I LOKALNOM NIVOU

Nekoliko modela je procenjivalo efekte oboljenja KOVID-19 na globalnom i lokalnom nivou što je dovelo do važnih preporuka od strane raznih zainteresovanih strana. Fridman i saradnici su primetili da na širenje virusa, osim osobina samog virusa i karakteristika oblasti u kojoj se on širi, značajno utiču mere za smanjenje širenja oboljenja, koje je država uvela, kao i koliko se ljudi pridržavaju tih mera. Institut za zdravstvenu metriku i evaluaciju (IZME) (engl. The Institute for Health Metrics and Evaluation - IHME) je dao podatke o smrtnosti većoj od očekivane koja se pripisuje oboljenju KOVID-19, za više nivoa (globalni, regionalni, nacionalni i subnacionalni). Ovaj mortalitet se objašnjava kao razlika između broja prijavljenih smrtnih slučajeva, ili stope smrtnosti, i očekivanih stopa smrtnosti/broja smrtnih slučajeva, pružajući na taj način uvid u veliko opterećenje koje KOVID-19 oboljenje donosi svim zemljama. Pošto se zna da broj potvrđenih smrtnih slučajeva od oboljenja KOVID-19 direktno zavisi od sposobnosti neke države da testira stanovništvo tokom nekog vremena, moguće je da se taj broj potceni. Na primer, ovo se dešava kada se radi o pacijentima koji se nalaze u ustanovama za dugoročnu negu. IZME izračunava proporciju smrtnosti koja je iznad očekivane, a koja je rezultat broja smrti iznad očekivanog zbog oboljenja KOVID-19, uzimajući u obzir i ostale uzročnike koji dovode do smrtnosti iznad očekivane, a koji još nisu verifikovani (npr. zakasnelo zdravstveno zbrinjavanje zbog pandemije, porast broja mentalnih poremećaja, zloupotrebe alkohola i opijata, smanjenje broja smrtnih slučajeva izazvanih povredama, ostalim virusima, i kardiovaskularnim i hroničnim respiratornim oboljenjima). U njihovim modelima, povećana smrtnost od oboljenja KOVID-19 je logit funkcija odnosa stope infekcije i detekcije i specifičnosti konteksta. Odnos povećanog broja smrti od KOVID-19 oboljenja i broja prijavljenih smrti od KOVID-19 oboljenja do maja 2021. varira od veoma visokog nivoa u mnogim zemljama istočne Evrope i centralne Azije, do odnosa od malog značaja, u nekoliko bogatih zemalja. Globalno posmatrano, kumulativna stopa povećanog broja smrti od KOVID-19 oboljenja je 91,7 na 100.000. Prvih pet zemalja sa najvišim procenjenim stopama smrtnosti na 100.000 stanovnika od KOVID-19 oboljenja kao i sa većim stopama smrtnosti od očekivanih od KOVID-19 oboljenja u periodu od marta 2020 do maja 2021, su Azerbejdžan (672,7 odnosno 46,4), Bosna i Hercegovina (601,1 odnosno 268,3), Bugarska (559,9 odnosno 245,5), Albanija (528,9 odnosno 88,5) i Meksiko (497,8 odnosno 175,6) [10]. Ove procene će biti revidirane da bi se u obzir uzele nove informacije, posebno drugi činioci koji doprinose opterećenosti društva zbog oboljenja KOVID-19.

Trista osamdeset i šest modela je pokazalo dobru uspešnost u pružanju globalnih predikcija vremena maksimalnog dnevnog mortaliteta izazvanog oboljenjem KOVID-19 [6]. Ovi scenariji predviđanja mortaliteta koriste različite pretpostavke povezane sa sezonama i uključuju različite etape epidemije u nekoj državi (neke države imaju stabilnu konstantnu dinamiku prenošenja zaraze, a neke druge potpuno različite puteve širenja epidemije), kompleksne modele ponašanja ljudi i intervencije vlada. Podaci i kodovi iz ovih modela su dostupni javnosti i mogu se koristiti da bi se poredila globalna, međunarodna i nacionalna predviđanja kao i da bi se procenila uspešnost budućih predviđanja [11].

Jedna nedavna procena je obuhvatila sedam modela koji su se bavili veličinom mortaliteta povezanog sa oboljenjem KOVID-19. Ove modele su kreirali: IZME [10], DELPHI-MIT [12], Imperijalni koledž u Londonu (engl. Imperial College London), Jujang Gu [14], Nacionalna laboratorija, Los Alamos (engl. The Los Alamos National Laboratory) [15], i SIKJ-Alpha model iz Naučne laboratorije Univerziteta iz Južne Kalifornije (engl. USC Data Science Lab) [16]. Gledajući sveukupno, najuspešniji model je varirao po regionima, međutim, najveće greške u predviđanju su među zemljama na južnoj hemisferi a za njima su sledile neke zemlje iz severne hemisfere (istočna Evropa, centralna Azija i bogate zemlje). Poređenje vremena kada je dolazilo do vrhunca dnevnog mortaliteta je pokazalo da se u najdužim predviđanjima mogu javljati greške u procenama koje idu od 1,0% nakon jedne nedelje do 26,9% nakon 12 nedelja ekstrapolacije.

Još jedan model koji je koristio IZME tim za predviđanja vezana za KOVID-19 oboljenje, je SEIR model koji je utvrdio moguće puteve prenošenja infekcije izazvane SARS-KOV-2 virusom u Sjedinjenim Američkim Državama tokom perioda od šest meseci u odnosu na efekte nefarmaceutskih intervencija [6]. Ovaj SEIR model je koristio podatke o smrtnim ishodima, oporavljenim i inficiranim osobama i osobama koje su izložene i osetljive na KOVID-19 tokom perioda od osam meseci. Ovaj model je prilagodio projekcije za kovarijate kao što su stopa testiranja, mobilnost, sezonske pneumonije, i korišćenje maski, po glavi stanovnika. Za svaku državu u Americi procenjen je značajan broj potencijalnih života koji bi se mogli spasiti na osnovu određenih propisanih mera socijalnog distanciranja. U mnogim državama nošenje zaštitne maske za lice u javnom okruženju moglo bi da bude dovoljno da ublaži najgore efekte ponovne pojave epidemije [6].

KOVID-19 U SRBIJI

Srpski Zakon o zaštiti stanovništva od zaraznih bolesti prepoznaje Institut za javno zdravlje Srbije “Dr Milan Jovanović Batut” (IJZS) kao centralnu instituciju za zdravstveni nadzor i sakupljanje podataka [17]. Od početka pandemije IJZS izdaje dnevne izveštaje o epidemiološkoj situaciji u zemlji. Ovi izveštaji se distribuiraju putem raznih medijskih kanala a tumače ih zvaničnici Vlade i Ministarstva zdravlja.

Na osnovu podataka o praćenju koje je dao IJZS za period od prvog registrovanog slučaja oboljenja KOVID-19 (6. mart 2020.) do današnjeg dana (29. jul 2021.), kumulativni broj testiranih osoba je bio 4.653.071, dok je ukupan broj potvrđenih slučajeva bio 721.267. U istom periodu najveći broj potvrđenih slučajeva je bio 7.999, i to 1. decembra 2020., najveći broj potvrđenih smrti u jednom danu je bio 69, 4. decembra 2020., a najveći broj pacijenata hospitalizovanih zbog oboljenja KOVID-19 je bio 9.728, 28. decembra 2020. [18].

Najnoviji podaci koji su izašli pre nego što je ovaj rad predat bili su za 29. jul 2021. prema kojima je bilo 292 nova potvrđena slučaja [18]. Osim toga, stalno se prate kliničke manifestacije oboljenja KOVID-19 i ti podaci pokazuju da je najveći broj pacijenata koji zahtevaju mehaničku ventilaciju bio 353, 17. decembra 2020., dok je nedavno, 29. jula 2021., 13 osoba zahtevalo mehaničku ventilaciju i nije bilo ni jedne potvrđene smrti od oboljenja KOVID-19 [18] . Kumulativni broj potvrđenih smrti zbog oboljenja KOVID-19 je 7.110 prema podacima IJZS-u, ali ovaj broj ne uključuje nepotvrđene slučajeve. Ova pandemija je uticala i na obrasce mortaliteta u Srbiji. Republički zavod za statistiku Srbije (RZS) je 26. jula 2021. izdao zvanični izveštaj o živim novorođenim bebama i o smrtnim ishodima za period januar – jun 2021. [19]. Prema njihovim podacima, broj smrtnih ishoda je u ovom periodu bio 65.817, što predstavlja povećanje od 14.248 (+27,8%) u poređenju sa 2020. godinom [20]. Kao što je već rečeno, ovaj porast u broju prijavljenih smrti, u poređenju sa brojevima očekivanog mortaliteta, može se jednostavno nazvati povećani mortalitet odnosno mortalitet veći od očekivanog.

Ako posmatramo mortalitet veći od očekivanog u periodu januar – jun 2021. u četiri glavne geografske regije u Srbiji, vidimo da je na vrhu zapadna Srbija sa povećanjem od 30,5%, sledi region Beograda (+28,6%), Vojvodina (+24,9%) pa istočna i južna Srbija (+23,7%) [19].

Međutim, važno je još jednom naglasiti da mortalitet veći od očekivanog nije jednostavno jednak kumulativnom broju smrti koje su povezane sa oboljenjem KOVID-19. Da bi se procenio kumulativni broj smrti od KOVID-19 oboljenja mnogi faktori koji utiču na dinamiku mortaliteta većeg od očekivanog moraju se uzeti u obzir. Neki od ovih faktora smanjuju očekivani mortalitet zbog smanjene mobilnosti i socijalnog distanciranja. Na primer, do smanjenja mortaliteta dolazi zbog smanjenja broja povreda ili redukovane transmisije drugih virusa. Sa druge strane, mortalitet veći od očekivanog može se povećati zbog većeg broja mentalnih poremećaja ili neadekvatnog lečenja hroničnih nezaraznih bolesti [10] . Do ovog momenta, prema podacima iz RZS-a, decembar 2020. je bio mesec sa najvećim mortalitetom u odnosu na očekivani tokom epidemije u Srbiji. Ako pogledamo preliminarne podatke iz službenog statističkog izveštaja za decembar 2020. videćemo da je registrovani broj smrti bio 17.321 u poređenju sa 8.803 u decembru 2019., što je porast od 8.518 (+96,8%) [20]. Važno je da se istakne da RZS obračunava mortalitet veći od očekivanog poredeći brojeve smrti iz dve uzastopne godine. Ograničenja ovakvog pristupa su očigledna kada se radi o pojavama koje imaju dugoročni uticaj na demografiju. U tom smislu, kada se porede kratkoročni i dugoročni uticaji neke epidemije, potrebno je koristiti različite statističke pristupe kako bi se izbegla nedovoljna ili prekomerna procena efekata te epidemije.

Na kraju, ako računamo kumulativni mortalitet veći od očekivanog zbog epidemije u Srbiji, prema zvaničnim podacima, taj broj iznosi 14.628 u 2020. (od marta do decembra) i 14.248 do sada u 2021. (od januara do juna) što ukupno čini 28.876 [19],[20]. Do ovog momenta, Ministarstvo zdravlja Srbije izdalo je samo jednu zvaničnu reviziju brojeva o mortalitetu od KOVID-19 oboljenja (30. juna 2021.) potvrdivši 10.356 smrti od KOVID-19 oboljenja.

PUT KOJIM TREBA IĆI U BUDUĆNOSTI

Do sada je stotine modela za predviđanje objavljeno i/ili izneto u javnost i često nije odmah jasno koji modeli su najuspešniji ili najbolje odgovaraju za predviđanje datog aspekta pandemije. Postojeći modeli za predviđanje koji se odnose na KOVID-19 oboljenje se znatno razlikuju po metodologiji, pretpostavkama, opsegu predviđanja i procenjenim vrednostima, čak i kod kratkoročnih procena za isto mesto. Zbog toga je važno da se naglasi da se najveća korist od kreiranja modela ogleda u njegovom uticaju na društvo. Najbolje je da donosioci odluka zasnivaju svoja delovanja na primenjenim modelima i na taj način, potencijalno, utiču na hiljade života, pa je zbog toga neophodno da se ti modeli prvo procene korišćenjem specijalnih statističkih metoda. Samo verifikovani modeli, oni za koje je dokazano da su validni i kredibilni, pružaju pravi uvid u razne efekte pandemije.

U ovom kontekstu, korisni uvidi koji se dobijaju zavaljujući modelovanju, treba da prate i kohortne studije koje govore o tome koliko godina života ljudi je sačuvano za vreme KOVID-19 pandemije kroz kombinaciju efekata mera za očuvanje zdravlja ljudi i efikasnosti vakcina. Veliki intervali neizvesnosti koji prate procene za dužu ekstrapolaciju u vezi sa mortalitetom povezanim sa KOVID-19 oboljenjem i njihovi pikovi sugerišu da se usvoji takav strateški pristup zdravstvenim sistemima po kome bi se odluke donosile na osnovu stalnog priliva informacija, verifikacije i ažuriranja modela.

Kreiranje modela za globalne i lokalne efekte oboljenja KOVID-19 je od ogromnog značaja jer se javne zdravstvene službe moraju pripremiti za potencijalno hitne potrebe za novim radnicima, zalihama i kapacitetima. Na primer, bolnice moraju doneti strateške odluke koje se tiču dugoročnog planiranja resursa kao što su zdravstveni radnici, broj kreveta, broj kreveta u intenzivnoj nezi i broj mehaničkih respiratora [6]. Na isti način se moraju predvideti i efekti koje KOVID-19 ima na ekonomiju i sektor obrazovanja [22], kako bi se smanjili nezaposlenost i siromaštvo koji mogu uslediti [23].

ZAKLJUČAK

S obzirom na složenost predviđanja ponašanja ljudi i donošenja političkih odluka, gorenavedeni napori za stvaranje modela pružaju dosledan pravac za buduće projekcije. Zbog velikih intervala neizvesnosti neophodno je udruženo delovanje raznih zainteresovanih strana za stalno unapređivanje mogućnosti i kredibiliteta modela.

SKRAĆENICE

KOVID-19 – bolest izazvana koronavirusom 2019
GODB – globalno opterećenje društva bolešču (engl. GBD - Global Burden of Disease)
IZME – Institut za zdravstvenu metriku i evaluaciju (engl. IHME – Institute for Health Metrics and Evaluation)
IJZS – Intitut za javno zdravlje Srbije
MIT – Institut za tehnologiju iz Masačusetsa (engl. MIT – Massachusetts Institute of Technology)
SARS-KoV-2 – tip 2 koronavirusa - izazivač teškog akutnog respiratornog sindroma (engl. SARS-CoV-2 – Severe Acute Respiratory Syndrome Coronavirus 2)
RZS – Republički zavod za statistiku Srbije
USC – Univerzitet iz San Franciska (engl. USC - University of San Francisco)

  • Zahvalnica:
    Autori su članovi GODB mreže saradnika Instituta za zdravstvenu metriku i evaluaciju (IZME), Univerziteta u Sijetlu u državi Vašingtoton, SAD. Ovu publikaciju je podržao COST Action CA18218 (Evropska mreža za opterećenost društva bolešću); https://www.burdeneu.net/ koju je podržao COST (Evropska kooperacija u nauci i tehnologiji; https://www.burden-eu.net).
  • Sukob interesa:
    Nije prijavljen.

Informacije

Septembar 2021

Strane 278-285

  • Ključne reči:
    KOVID-19, pandemija, predviđanje, mere politike
  • Primljen:
    03 Septembar 2021
  • Revidiran:
    14 Septembar 2021
  • Prihvaćen:
    16 Septembar 2021
  • Objavljen online:
    30 Septembar 2021
  • DOI:
  • Kako citirati ovaj članak:
    Stevanović A, Šantrić-Milićević M. Modeling as an approach to pandemic uncertainty management: Mortality assessment of the COVID-19 pandemic. Serbian Journal of the Medical Chamber. 2021;2(3):278-85. doi: 10.5937/smclk2-33796
Autor za korespodenciju

Aleksandar Stevanović
Institut za socijalnu medicinu, Medicinski fakultet, Univerzitet u Beogradu
Dr Subotića 15, 11000 Beograd, Srbija
E-mail: Ova adresa e-pošte je zaštićena od spambotova. Omogućite JavaScript u vašem brauzeru da biste je videli.


1. Davies NG, Klepac P, Liu Y, Prem K, Jit M, Eggo RM. Age-dependent effects in the transmission and control of Covid-19 epidemics. Nature Medicine. 2020;26:1205–11.[a href="/Davies%20NG,%20Klepac%20P,%20Liu%20Y,%20Prem%20K,%20Jit%20M,%20Eggo%20RM.%20Age-dependent%20effects%20in%20the%20transmission%20and%20control%20of%20Covid-1920epidemics.%20Nature%20Medicine.%202020;26:1205–11.%20doi:10.1038/s41591-020-0962-9." ">"ROSSREF] doi:10.1038/s41591-020-0962-9.

2. Gémes K, Talbäck M, Modig K, Ahlbom A, Berglund A, Feychting M, et al. Burden and prevalence of prognostic factors for Severe COVID-19 in Sweden. European Journal of Epidemiology. 2020;35:401–9.[CROSSREF] doi:10.1007/s10654-020-00646-z.

3. Gostin LO. The Coronavirus Pandemic 1 Year On—What Went Wrong? JAMA. 2021;325:1132.[CROSSREF] doi:10.1001/jama.2021.3207.

4. Krouse HJ. COVID-19 and the Widening Gap in HEALTH Inequity. Otolaryngology–Head and Neck Surgery. 2020;163:65–6.[CROSSREF] doi:10.1177/0194599820926463.

5. Wyper GM, Assunção R, Cuschieri S, Devleesschauwer B, Fletcher E, Haagsma JA, et al. Population vulnerability to COVID-19 in Europe: A burden of disease analysis. Archives of Public Health. 2020;78.[CROSSERF] doi:10.1186/s13690-020- 00433-y.

6. Friedman J, Liu P, Troeger CE, Carter A, Reiner RC, Barber RM, et al. Predictive performance of international COVID-19 mortality forecasting models. Nature Communications. 2021;12.[CROSSREF] doi:10.1038/s41467-021-22457-w.

7. Reiner RC, Barber RM, Collins JK, Zheng P, Adolph C, Albright J, et al. Modeling COVID-19 scenarios for the United States. Nature Medicine. 2020;27:94–105.[CROSSREF] doi:10.1038/s41591-020-1132-9.

8. Kandel N, Chungong S, Omaar A, Xing J. Health security capacities in the context of Covid-19 outbreak: An analysis of international health Regulations annual report data from 182 countries. The Lancet. 2020;395:1047–53.[CROSSREF] doi:10.1016/s0140-6736(20)30553-5.

9. Neogi SB, Preetha GS. Assessing health systems’ responsiveness in tackling COVID-19 pandemic. Indian Journal of Public Health. 2020;64:211.[CROSSREF] doi:10.4103/ijph.ijph_471_20.

10. Estimation of excess mortality due to COVID-19 [Internet]. Institute for Health Metrics and Evaluation. [Internet]. Available on: http://www.healthdata.org/node/8660 [Accessed on 27 July 2021].

11. Global COVID-19 Forecast Comparison [Internet]. GitHub. 2021. Available on: https://github.com/pyliu47/covidcompare [Accessed on 27 July 2021].

12. Li ML, Bouardi HT, Lami OS, Trikalinos TA, Trichakis NK, Bertsimas D. Forecasting covid-19 and analyzing the effect of government interventions. 2020. doi:10.1101/2020.06.23.20138693.

13. Forecasting the Healthcare Burden of COVID-19 in LMICs [Internet]. Imperial College London., & MRC Centre for Global Infectious Disease Analysis. 2020. Available on: https://mrc-ide.github.io/global-lmic-reports/ [Accessed on 27 July 2021].

14. COVID-19 projections using machine learning [Internet]. Gu, Y. 2020. Available on: https://covid19-projections.com/ [Accessed on 27 July 2021].

15. COVID-19 Confirmed and Forecasted Case Data [Internet]. Los Alamos national Laboratory COVID-19 Team. Available on: https://covid-19.bsvgateway.org [Accessed on 27 July 2021].

16. Fast and Accurate Forecasting of COVID-19 Deaths [Internet]. Srivastava, A., Xu, T. 2020. Available on: http://arxiv.org/abs/2007.05180 [Accessed on 27 July 2021].

17. COVID-19 National Info page [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.data.gov.rs [Accessed on 27 July 2021].

18. COVID-19 Statistics in Serbia [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.rs/homepage-english [Accessed on 27 July 2021].

19. Statistical release Number 203 – Year LXXI, 26 July 2021 live births and deaths, January-June 2021. SORS – Statistical Office of Serbia. 2021.Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211203.pdf [Accessed on 27 July 2021].

20. Statistical release Number 017 – Year LXXI, 25 January 2021 live births and deaths, January-December 2020. SORS – Statistical Office of Serbia. 2021. Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211017.pdf [Accessed on 27 July 2021].

21. Tashman LJ. Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting 2000;16:437–50. doi:10.1016/ s0169-2070(00)00065-0.

22. Viner RM, Russell SJ, Croker H, Packer J, Ward J, Stansfield C, et al. School closure and management practices during coronavirus outbreaks including covid-19: a rapid systematic review. The Lancet Child & Adolescent Health 2020;4:397–404.[CROSSREF] doi:10.1016/s2352-4642(20)30095-x.

23. Atkeson, A. What Will Be the Economic Impact of Covid-19 in the Us? Rough Estimates of Disease Scenarios. 2020. U: Nber Working Paper Series (NBER Working Papers, Issue 26867). National Bureau of Economic Research, Inc.[HTTP]


LITERATURA

1. Davies NG, Klepac P, Liu Y, Prem K, Jit M, Eggo RM. Age-dependent effects in the transmission and control of Covid-19 epidemics. Nature Medicine. 2020;26:1205–11.[a href="/Davies%20NG,%20Klepac%20P,%20Liu%20Y,%20Prem%20K,%20Jit%20M,%20Eggo%20RM.%20Age-dependent%20effects%20in%20the%20transmission%20and%20control%20of%20Covid-1920epidemics.%20Nature%20Medicine.%202020;26:1205–11.%20doi:10.1038/s41591-020-0962-9." ">"ROSSREF] doi:10.1038/s41591-020-0962-9.

2. Gémes K, Talbäck M, Modig K, Ahlbom A, Berglund A, Feychting M, et al. Burden and prevalence of prognostic factors for Severe COVID-19 in Sweden. European Journal of Epidemiology. 2020;35:401–9.[CROSSREF] doi:10.1007/s10654-020-00646-z.

3. Gostin LO. The Coronavirus Pandemic 1 Year On—What Went Wrong? JAMA. 2021;325:1132.[CROSSREF] doi:10.1001/jama.2021.3207.

4. Krouse HJ. COVID-19 and the Widening Gap in HEALTH Inequity. Otolaryngology–Head and Neck Surgery. 2020;163:65–6.[CROSSREF] doi:10.1177/0194599820926463.

5. Wyper GM, Assunção R, Cuschieri S, Devleesschauwer B, Fletcher E, Haagsma JA, et al. Population vulnerability to COVID-19 in Europe: A burden of disease analysis. Archives of Public Health. 2020;78.[CROSSERF] doi:10.1186/s13690-020- 00433-y.

6. Friedman J, Liu P, Troeger CE, Carter A, Reiner RC, Barber RM, et al. Predictive performance of international COVID-19 mortality forecasting models. Nature Communications. 2021;12.[CROSSREF] doi:10.1038/s41467-021-22457-w.

7. Reiner RC, Barber RM, Collins JK, Zheng P, Adolph C, Albright J, et al. Modeling COVID-19 scenarios for the United States. Nature Medicine. 2020;27:94–105.[CROSSREF] doi:10.1038/s41591-020-1132-9.

8. Kandel N, Chungong S, Omaar A, Xing J. Health security capacities in the context of Covid-19 outbreak: An analysis of international health Regulations annual report data from 182 countries. The Lancet. 2020;395:1047–53.[CROSSREF] doi:10.1016/s0140-6736(20)30553-5.

9. Neogi SB, Preetha GS. Assessing health systems’ responsiveness in tackling COVID-19 pandemic. Indian Journal of Public Health. 2020;64:211.[CROSSREF] doi:10.4103/ijph.ijph_471_20.

10. Estimation of excess mortality due to COVID-19 [Internet]. Institute for Health Metrics and Evaluation. [Internet]. Available on: http://www.healthdata.org/node/8660 [Accessed on 27 July 2021].

11. Global COVID-19 Forecast Comparison [Internet]. GitHub. 2021. Available on: https://github.com/pyliu47/covidcompare [Accessed on 27 July 2021].

12. Li ML, Bouardi HT, Lami OS, Trikalinos TA, Trichakis NK, Bertsimas D. Forecasting covid-19 and analyzing the effect of government interventions. 2020. doi:10.1101/2020.06.23.20138693.

13. Forecasting the Healthcare Burden of COVID-19 in LMICs [Internet]. Imperial College London., & MRC Centre for Global Infectious Disease Analysis. 2020. Available on: https://mrc-ide.github.io/global-lmic-reports/ [Accessed on 27 July 2021].

14. COVID-19 projections using machine learning [Internet]. Gu, Y. 2020. Available on: https://covid19-projections.com/ [Accessed on 27 July 2021].

15. COVID-19 Confirmed and Forecasted Case Data [Internet]. Los Alamos national Laboratory COVID-19 Team. Available on: https://covid-19.bsvgateway.org [Accessed on 27 July 2021].

16. Fast and Accurate Forecasting of COVID-19 Deaths [Internet]. Srivastava, A., Xu, T. 2020. Available on: http://arxiv.org/abs/2007.05180 [Accessed on 27 July 2021].

17. COVID-19 National Info page [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.data.gov.rs [Accessed on 27 July 2021].

18. COVID-19 Statistics in Serbia [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.rs/homepage-english [Accessed on 27 July 2021].

19. Statistical release Number 203 – Year LXXI, 26 July 2021 live births and deaths, January-June 2021. SORS – Statistical Office of Serbia. 2021.Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211203.pdf [Accessed on 27 July 2021].

20. Statistical release Number 017 – Year LXXI, 25 January 2021 live births and deaths, January-December 2020. SORS – Statistical Office of Serbia. 2021. Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211017.pdf [Accessed on 27 July 2021].

21. Tashman LJ. Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting 2000;16:437–50. doi:10.1016/ s0169-2070(00)00065-0.

22. Viner RM, Russell SJ, Croker H, Packer J, Ward J, Stansfield C, et al. School closure and management practices during coronavirus outbreaks including covid-19: a rapid systematic review. The Lancet Child & Adolescent Health 2020;4:397–404.[CROSSREF] doi:10.1016/s2352-4642(20)30095-x.

23. Atkeson, A. What Will Be the Economic Impact of Covid-19 in the Us? Rough Estimates of Disease Scenarios. 2020. U: Nber Working Paper Series (NBER Working Papers, Issue 26867). National Bureau of Economic Research, Inc.[HTTP]

1. Davies NG, Klepac P, Liu Y, Prem K, Jit M, Eggo RM. Age-dependent effects in the transmission and control of Covid-19 epidemics. Nature Medicine. 2020;26:1205–11.[a href="/Davies%20NG,%20Klepac%20P,%20Liu%20Y,%20Prem%20K,%20Jit%20M,%20Eggo%20RM.%20Age-dependent%20effects%20in%20the%20transmission%20and%20control%20of%20Covid-1920epidemics.%20Nature%20Medicine.%202020;26:1205–11.%20doi:10.1038/s41591-020-0962-9." ">"ROSSREF] doi:10.1038/s41591-020-0962-9.

2. Gémes K, Talbäck M, Modig K, Ahlbom A, Berglund A, Feychting M, et al. Burden and prevalence of prognostic factors for Severe COVID-19 in Sweden. European Journal of Epidemiology. 2020;35:401–9.[CROSSREF] doi:10.1007/s10654-020-00646-z.

3. Gostin LO. The Coronavirus Pandemic 1 Year On—What Went Wrong? JAMA. 2021;325:1132.[CROSSREF] doi:10.1001/jama.2021.3207.

4. Krouse HJ. COVID-19 and the Widening Gap in HEALTH Inequity. Otolaryngology–Head and Neck Surgery. 2020;163:65–6.[CROSSREF] doi:10.1177/0194599820926463.

5. Wyper GM, Assunção R, Cuschieri S, Devleesschauwer B, Fletcher E, Haagsma JA, et al. Population vulnerability to COVID-19 in Europe: A burden of disease analysis. Archives of Public Health. 2020;78.[CROSSERF] doi:10.1186/s13690-020- 00433-y.

6. Friedman J, Liu P, Troeger CE, Carter A, Reiner RC, Barber RM, et al. Predictive performance of international COVID-19 mortality forecasting models. Nature Communications. 2021;12.[CROSSREF] doi:10.1038/s41467-021-22457-w.

7. Reiner RC, Barber RM, Collins JK, Zheng P, Adolph C, Albright J, et al. Modeling COVID-19 scenarios for the United States. Nature Medicine. 2020;27:94–105.[CROSSREF] doi:10.1038/s41591-020-1132-9.

8. Kandel N, Chungong S, Omaar A, Xing J. Health security capacities in the context of Covid-19 outbreak: An analysis of international health Regulations annual report data from 182 countries. The Lancet. 2020;395:1047–53.[CROSSREF] doi:10.1016/s0140-6736(20)30553-5.

9. Neogi SB, Preetha GS. Assessing health systems’ responsiveness in tackling COVID-19 pandemic. Indian Journal of Public Health. 2020;64:211.[CROSSREF] doi:10.4103/ijph.ijph_471_20.

10. Estimation of excess mortality due to COVID-19 [Internet]. Institute for Health Metrics and Evaluation. [Internet]. Available on: http://www.healthdata.org/node/8660 [Accessed on 27 July 2021].

11. Global COVID-19 Forecast Comparison [Internet]. GitHub. 2021. Available on: https://github.com/pyliu47/covidcompare [Accessed on 27 July 2021].

12. Li ML, Bouardi HT, Lami OS, Trikalinos TA, Trichakis NK, Bertsimas D. Forecasting covid-19 and analyzing the effect of government interventions. 2020. doi:10.1101/2020.06.23.20138693.

13. Forecasting the Healthcare Burden of COVID-19 in LMICs [Internet]. Imperial College London., & MRC Centre for Global Infectious Disease Analysis. 2020. Available on: https://mrc-ide.github.io/global-lmic-reports/ [Accessed on 27 July 2021].

14. COVID-19 projections using machine learning [Internet]. Gu, Y. 2020. Available on: https://covid19-projections.com/ [Accessed on 27 July 2021].

15. COVID-19 Confirmed and Forecasted Case Data [Internet]. Los Alamos national Laboratory COVID-19 Team. Available on: https://covid-19.bsvgateway.org [Accessed on 27 July 2021].

16. Fast and Accurate Forecasting of COVID-19 Deaths [Internet]. Srivastava, A., Xu, T. 2020. Available on: http://arxiv.org/abs/2007.05180 [Accessed on 27 July 2021].

17. COVID-19 National Info page [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.data.gov.rs [Accessed on 27 July 2021].

18. COVID-19 Statistics in Serbia [Internet]. Ministry of Health, Republic of Serbia. 2020. Available on: https://covid19.rs/homepage-english [Accessed on 27 July 2021].

19. Statistical release Number 203 – Year LXXI, 26 July 2021 live births and deaths, January-June 2021. SORS – Statistical Office of Serbia. 2021.Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211203.pdf [Accessed on 27 July 2021].

20. Statistical release Number 017 – Year LXXI, 25 January 2021 live births and deaths, January-December 2020. SORS – Statistical Office of Serbia. 2021. Available on: https://publikacije.stat.gov.rs/G2021/PdfE/G20211017.pdf [Accessed on 27 July 2021].

21. Tashman LJ. Out-of-sample tests of forecasting accuracy: An analysis and review. International Journal of Forecasting 2000;16:437–50. doi:10.1016/ s0169-2070(00)00065-0.

22. Viner RM, Russell SJ, Croker H, Packer J, Ward J, Stansfield C, et al. School closure and management practices during coronavirus outbreaks including covid-19: a rapid systematic review. The Lancet Child & Adolescent Health 2020;4:397–404.[CROSSREF] doi:10.1016/s2352-4642(20)30095-x.

23. Atkeson, A. What Will Be the Economic Impact of Covid-19 in the Us? Rough Estimates of Disease Scenarios. 2020. U: Nber Working Paper Series (NBER Working Papers, Issue 26867). National Bureau of Economic Research, Inc.[HTTP]


© Sva prava zadržana. Lekarska komora Srbije.

Skoči na vrh