Ключові слова
Як цитувати
Анотація
Стаття присвячена огляду сучасного стану досліджень із моделювання епідемічних процесів. Проведено класифікацію математичних та імітаційних моделей епідемічних процесів. Виявлено недоліки класичних моделей. Визначено специфічні характеристики епідемічних процесів, які необхідно враховувати під час побудови математичних та імітаційних моделей. Проведено огляд детермінованих компартментних моделей. Розглянуто різні методи та підходи до побудови статистичних моделей епідемічних процесів. Аналізуються типи завдань, що вирішуються за допомогою методів машинного навчання.
Посилання
Brauer, F., & Castillo-Chavez, C. (2012). Mathematical Models in Population Biology and Epidemiology. In: Texts in Applied Mathematics, Vol. 40. New-York: Springer-Verlag. 508 p.
Galvani, A. P., & May R. M. (2005). Epidemiology: dimensions of superspreading. Nature, 438(7066), 293‒295.
Chumachenko, D. I., & Chumachenko, T. O. (2020). Mathematical models and methods of forecasting epidem-ic processes: a monograph. Kharkiv: Planeta-Print LLC. 180 p. doi: 10.25313/978-617-7751-88-4.
Kermack, W., & McKendrick, A. (1991). Contributions to the mathematical theory of epidemics – I. Bulletin of Mathematical Biology, 53, 33‒55. doi: 10.1007/BF02464423.
Kermack, W., & McKendrick, A. (1991). Contributions to the mathematical theory of epidemics – II. The prob-lem of endemicity. Bulletin of Mathematical Biology, 53, 57‒87. doi: 10.1007/BF02464424.
Kermack, W., & McKendrick, A. (1991). Contributions to the mathematical theory of epidemics – III. Further studies of the problem of endemicity. Bulletin of Mathematical Biology, 53, 89‒118. doi: 10.1007/BF02464425.
Ross, R. (1929). On some peculiar pigmented cells found in two mosquitoes fed on Malarial blood. BMJ, 2, 1986‒1788.
Baroyan, O. V., & Rvachev L. A. (1977). Mathematics and Epidemiology. M.: «Znaniye» ["Knowledge"]. 64 p.
Baroyan, O. V., & Rvachev L. A. (1967). Deterministic models of epidemics for a territory with a transport network. Cybernetics, 3, 55‒61. doi: 10.1007/BF01120008.
Tolles, J., & Luong, T. (2020). Modeling Epidemics with Compartmental Models. Journal of American Medi-cal Association, 323(24), 2515–2516. doi: 10.1001/jama.2020.8420.
Trawicki, M. B. (2017). Deterministic SEIRS epidemic model for modeling vital dynamics, vaccinations, and temporary immunity. Mathematics, 5(7), 1‒19. doi: 10.3390/math5010007.
Dashtbali, M., & Mirzaie, M. (2021). A compartmental model that predicts the effect of social distancing and vaccination on controlling COVID-19. Scientific Reports. 11. 8191. doi: 10.1038/s41598-021-86873-0.
Wang, T., Wu, Y., Yiu-Nam Lau, J., Yu, Y., Liu, L., Li, J., … & Jiang B. (2020). A four-compartment model for the COVID-19 infection – implications on infection kinetics, control measures, and lockdown exit strategies. Preci-sion Clinical Medicine, 3(2), 104–112. doi: 10.1093/pcmedi/pbaa018.
Ghostine, R. Gharamti, M., Hassrouny, S., & Hoteit, I. (2021). An extended SEIR model with vaccination for forecasting the COVID-19 pandemic in Saudi Arabia using an ensemble Kalman filter. Mathematics, 9, 636. doi: 10.3390/math9060636.
Miller, J. C., Slim, A. C., & Volz, E. M. (2012). Edge-based compartmental modelling for infectious disease spread. Journal of Royal Society Interface, 9, 890‒906. doi: 10.1098/rsif.2011.0403.
Gounane, S., Barkouch, Y., Atlas, A., Bendahmane, M., Karami, F., & Meskine, D. (2021). An adaptive social distancing SIR model for COVID-19 disease spreading and forecasting. Epidemiologic Methods, 10(S1), 20200044. doi: 10.1515/em-2020-0044.
Romezani, S. B. Rahimi, S., Amirlatifi, A., Hudnall, M., Pete, J., Parrish, A., … & Qian X. (2021). Empow-ering compartmental modeling with mobility and Shelter-in-Place analysis. Frontiers in Future Transportation, 2, 646751. doi: 10.3389/ffutr.2021.646751.
Trebeit, S., Brunner, H., & Ehrhardt, M. (2019). Compartment models for vaccine effectiveness and non-specific effects for Tuberculosis. Mathematical Biosciences and Engineering, 16(6). 7250‒7298. doi: 10.3934/mbe.2019364.
Avey, C., Bossert, W., Clark, A., Ellison, G., & Ellison, A. F. (2020). An Economists’s guide to epidemiolo-gy models of infectious disease. The Journal of Economic Perspectives, 34(4), 79‒104.
Mohammadi, A., Chumachenko, T., Makhota, L., & Chumachenko, D. (2021). Compartment model of COVID-19 epidemic process in Ukraine. CEUR Workshop Proceedings, 2824, 100‒109.
Mohammadi, A., Meniailov, I., Bazilevych, K., Yakovlev, S., & Chumachenko, D. (2021). Comparative study of linear regression and SIR models of COVID-19 propagation in Ukraine before vaccination. Radioelectronic and Computer Systems, 99(3), 5‒18. doi: 10.32620/reks.2021.3.01.
Roberts, M., Andreasen, V., Lloyd, A., & Pellis, L. (2015). Nine challenges for deterministic epidemic models. Epidemics, 10, 49-53. doi: 10.1016/j.epidem.2014.09.006.
Roosa, K., & Chowell, G. (2019). Assessing parameter identifiability in compartmental dynamic models using a computational approach: application to infectious disease transmission models. Theoretical Biology and Medical Modelling, 16, 1. doi: 10.1186/s12976-018-0097-6.
Deng, Q. (2020). Dynamics and development of the COVID-19 epidemic in the United States: a compartmental model enhanced with deep learning techniques. Journal of Medical Internet Research, 22(8), e21173. doi: 10.2196/21173.
Chumachenko, D. I., & Chumachenko, T. O. (2021). Simulation modeling of epidemic processes: applied as-pects: monograph. Kharkiv: Planet Print LLC.
Irhaif, N. H., Kareem, Z. I., Kareem Abdul, A. D., & Al-joboori, S. M. (2021). Using the moving average and exponentially weighted moving average with COVID-19. Periodicals of Engineering and Natural Sciences, 9(3), 625‒631. doi: 10.21533/pen.v9i3.2206.g907.
Lynch, C. J., Gore, R. (2021). Application of one-, three-, and seven-day forecasts during early onset on the COVID-19 epidemic dataset using moving average, autoregressive, autoregressive moving average, autoregressive inte-grated moving average, and naïve forecasting methods. Data in Brief, 35, 106759. doi: 10.1016/j.dib.2021.106759.
Khan, F., Ali, S., Saeed, A., Kumar, R., & Khan, A. W. (2021). Forecasting daily new infections, deaths and recovery cases due to COVID-19 in Pakistan by using Bayesian Dynamic Linear Models. PLoS One, 16(6), e0253367. doi: 10.1371/journal.pone.0253367.
Chu, J. (2021). A statistical analysis of the novel coronavirus (COVID-19) in Italy and Spain. PLoS One, 16(3), e0249037. doi: 10.1371/journal.pone.0249037.
He, Y., Wang, X., He, H., Zhai, J., Wang, B. (2020). Moving average based index for judging the peak of the COVID-19 epidemic. International Journal of Environmental Research and Public Health, 17(15), 5288. doi: 10.3390/ijerph17155288.
Syaharuddin, Negara H. R. P., Ibrahim, M., Ahmad, Zulfikiri M., Primajati G., … & Septyanun, N. (2021). Modify alpha value of EMA method and brown method: a data forecasting comparison of COVID-19 AIP Conference Proceedings, 2329(1), 060016. doi: 10.1063/5.0042120.
Buckingham-Jeffery, E., Morbey, R., House, T., Elliot, A. J., Harcourt, S., Smith, G. E. (2017). Correcting for day of the week and public holiday effects: improving a national daily syndromic surveillance service for detecting pub-lic health threats. BMC Public Health. 17. 477. doi: 10.1186/s12889-017-4372-y.
Steiner S.H., Grant K., Coory M., Kelly H.A. Detecting the start of an influenza outbreak using exponentially weighted moving average charts. (2010). BMC Medical Informatics and Decision Making. 10. 37. doi: 10.1186/1472-6947-10-37.
Dansana D., Kumar R., Adhikari J.D., Mohapatra M., Sharma R., Priyadarshini I., Le D.N. (2020). Global forecasting confirmed and fatal cases of COVID-19 outbreak using autoregressive integrated moving average model. Frontiers in Public Health. 8. 580327. doi: 10.3389/fpubh.2020.580327.
He Z., Tao H. (2018). Epidemiology and ARIMA model of positive-rate of influenza viruses among children in Wuhan, China: A nine-year retrospective study. International Journal of Infectious Diseases. 74. 61-70. doi: 10.1016/ j.ijid.2018.07.003.
Jerónimo-Martínez L.E. Menéndez-Mora R.E., Bolívar H. (2017). Forecasting acute respiratory infection cases in Southern Bogota: EARS vs. ARIMA and SARIMA. Congreso Internacional de Innovacion y Tendencias en Inge-nieria (CONIITI). 1-6. doi: 10.1109/CONIITI.2017.8273326.
Martinez E.Z., Silva E.A. (2011). Predicting the number of cases of dengue infection in Ribeirão Preto, São Paulo State, Brazil, using a SARIMA model. Cadernos de Saude Publica. 27 (9). 1809-18. doi: 10.1590/s0102-311x2011000900014.
Lau K., Dorigatti I., Miraldo M., Hauck K. (2021). SARIMA-modelled greater severity and mortality during the 2010/11 post-pandemic influenza season compared to the 2009 H1N1 pandemic in English hospitals. International Journal of Infectious Diseases. 105. 161-171. doi: 10.1016/j.ijid.2021.01.070
Gao J., Li J., Wang M. (2020). Time series analysis of cumulative incidences of typhoid and paratyphoid fevers in China using both Grey and SARIMA models. PLoS One. 15 (10). e0241217. doi: 10.1371/journal.pone.0241217
Britton T., Giardina F. (2016). Introduction to statistical inference for infectious diseases. Journal de la Societe Francaise de Statistique, 157(1), 53-70.
Riley, S., Fraser, C., Donnelly, C. A., Ghani, A. C., Abu-Raddad, L. J., Hedley, A. J., … & Anderson, R. M. (2003). Transmission dynamics if the etiological agent of SARS in Hong Kong: impact of public health interventions. Science, 300(5627), 1961‒1966. doi: 10.1126/science.1086478.
Yu, P. L. H., Chan, J. S. K., & Fung, W. K. (2006). Statistical exploration from SARS. The American Statis-tician, 60(1), 81‒91. doi: 10.1198/000313006X91421.
Goldstein, E., Cobey, S., Takahashi, S., Miller, J. C., & Lipsitch, M. (2011). Predicting the Epidemic Sizes of Influenza A/H1N1, A/H3N2, and B: A Statistical Method. PLoS Medicine, 8(7), e1001051. doi: 10.1371/ jour-nal.pmed.1001051.
Dawood, F. S., Iuliano, A. D., Reed, C., Meltzer, M. I., Shay, D. K., Cheng, P.-Y., … & Widdowson M.-A. (2012). Estimated global mortality associated with the first 12 months of 2009 pandemic influenza A H1N1 virus cir-culation: a modelling study. The Lancet. Infectious Diseases, 12(9), 687‒695. doi: 10.1016/S1473-3099(12)70121-4.
Khaleque, A., Sen, P. (2017). An empirical analysis of the Ebola outbreak in West Africa. Scientific Reports, 7, 42594. doi: 10.1038/srep42594.
Ferguson, N. M., Donnelly, C. A., & Anderson, R. M. (2001). The foot-and-mouth epidemic in Great Britain: pattern of spread and impact of interventions. Science, 292(5519), 1155–1160. doi: 10.1126/science.1061020.
Boschi, T., Lorio, J. Di., Testa, L., Cremona, M.A., & Chiaromonte, F. (2021). Functional data analysis char-acterizes the shapes of the first COVID-19 epidemic wave in Italy. Scientific Reports, 11, 17054. doi: 10.1038/s41598-021-95866-y.
Salg, G. A., Ganten, M. K., Bucher, A. M., Kenngott H. G., Fink M. A., Seibold, C., … & Kleesiek, J. (2021). A reporting and analysis framework for structured evaluation of COVID-19 clinical and imaging data. npj Digi-tal Medicine, 4, 69. doi: 10.1038/s41746-021-00439-y.
Imai, C., Armstrong, B., Chalabi, Z., Mangtani, P., & Hasizume, M. Time series regression model for infec-tious disease and weather. (2015). Environmental Research, 142, 319‒327. doi: 10.1016/j.envres.2015.06.040.
Bakuli, A., Klawonn, F., Karch, A., & Mikolajczyk, R. (2017). Effects of pathogen dependency in a multi-pathogen infectious disease system including population level heterogeneity – a simulation study. Theoretical Biology and Medical Modelling, 14(26), 1‒17 p. doi: 10.1186/s12976-017-0072-7.
Daniyal, M., Ogundokun, R. O., Abid, K., Khan, M. D., & Ogundokun, O. E. (2020). Predictive modeling of COVID-19 death cases in Pakistan. Infectious Disease Modelling, 5, 897‒904. doi: 10.1016/j.idm.2020.10.011.
Mokhort, H. (2020). Multiple linear regression model of Meningococcal disease in Ukraine: 1992‒2015. Com-putational and Mathematical Methods in Medicine, ID 5105120. doi: 10.1155/2020/5105120.
Mohammadi, A., Chumachenko, D., & Chumachenko, T. (2021). Machine Learning Model of COVID-19 Fore-casting in Ukraine Based on the Linear Regression. IEEE 12th International Conference on Electronics and Infor-mation Technologies (ELIT), 149-153. doi: 10.1109/ELIT53502.2021.9501122.
Hong, Z. (2020). Prediction of 2019-nCoV epidemic by linear regression. ISAIMS 2020: Proceedings of the 2020 International Symposium on Artificial Intelligence in Medical Sciences, 1‒5. doi: 10.1145/3429889.3429890.
Kartono, A., Wahyudi, S. T., Setiawan, A. A., & Sofian, I. (2021). Predicting of the Coronavirus Disease 2019 (COVID-19) Epidemic Using Estimation of Parameters in the Logistic Growth Model. Infectious Disease Reports, 13, 465–485. doi: 10.3390/idr13020046.
Kapusta, D., Mohammadi, A., & Chumachenko, D. (2021). Machine learning approach to COVID-19 epidemic process simulation using polynomial regression model. CEUR Workshop Proceedings, 3003, 83‒91.
Saqib, M. (2021). Forecasting COVID-19 outbreak progression using hybrid polynomial-Bayesian ridge regres-sion model. Applied Intelligence, 51, 2703–2713. doi: 10.1007/s10489-020-01942-7.
Chen, Y., Chu, C. W., Chen, M. I. C., & Cook, A. R. (2018). The utility of LASSO-based models for real time forecasts of endemic infectious diseases: A cross country comparison. Journal of Biomedical Informatics, 81, 16‒30. doi: 10.1016/j.jbi.2018.02.014
Jin, M., Lin, Y. (2021). Classification of asymptotic behavior in a stochastic SEIR epidemic model. Applied Mathematics Letters, 118, 107184. doi: 10.1016/j.aml.2021.107184.
Polyakov, P., Souty, C., Böelle, P. Y., & Breban, R. (2019). Classification of Spatiotemporal Data for Epi-demic Alert Systems: Monitoring Influenza-Like Illness in France. American Journal of Epidemiology, 188(4), 724–733. doi: 10.1093/aje/kwy254.
Alessa, A., & Faezipour, M. (2019). Preliminary flu outbreak prediction using Twitter posts classification and linear regression with historical Centers for Disease Control and Prevention Reports: prediction framework study JMIR Public Health and Surveillance. 5 (2). e12383. doi: 10.2196/12383.
Yang, X., Liu, D., He, J., Gou, F., Liu, H., Zheng, Y., … & Liu, X. (2019). Classification and regression tree model study on correlation between influenza epidemic and meteorological factors in different areas of Gansu, 2010 to 2016. Disease Surveillance, 34(5), 440‒445. doi: 10.3784/j.issn.1003-9961.2019.05.015.
Li, F., Shen, Y., Lv, D., Lin, J., Liu, B., He, F., & Wang, Z. (2020). A Bayesian classification model for dis-criminating common infectious diseases in Zhejiang province, China. Medicine, 99(8), e19218. doi: 10.1097/MD.0000000000019218.
Bazilevych, K. O., Menyaylov, Ye. S., & Chumachenko, D. I. (2021). Isolation of areas of COVID-19 coronavirus prevalence based on cluster analysis methods. The current state of research and technology in industry, 1(15), 5–13. doi: 10.30837/ITSSI.2021.15.005.
Jung, S., Moon, J., & Hwang, E. (2020). Cluster-based analysis of infectious disease occurrences using tensor decomposition: a case study of South Korea. International Journal of Environmental Research and Public Health, 17, 4872. doi: 10.3390/ijerph17134872.
Hamid, J. S., Meaney, C., Crowcroft, N. S., Granerod, J., & Beyene, J. (2010). Cluster analysis for identifying sub-groups and selecting potential discriminatory variables in human encephalitis. BMC Infectious Diseases, 10, 364. doi: 10.1186/1471-2334-10-364.
Mehta, S. R., Little, S. J. (2021). Phylogenetic cluster analysis: persons with undiagnosed infection drive Hu-man Immunodeficiency Virus transmission in a population with high levels of virologic suppression. Clinical Infec-tious Diseases, 72(12), 2184–2186. doi: 10.1093/cid/ciaa401.
Ismayilova, R., Nasirova, E., Hanou, C., Rivard, R. G., & Bautista, C. T. (2014). Patterns of Brucellosis in-fection symptoms in Azerbaijan: a latent class cluster analysis. Journal of Tropical Medicine, 2014, ID 593873. doi: 10.1155/2014/593873.
Frasca, M., Rizzo, A., Gallo, L., Fortuna, L., & Porfiri, M. (2015). Dimensionality reduction in epidemic spreading models. EPL Europhysics Letters, 111(6), 68006. doi: 10.1209/0295-5075/111/68006
Tu, C., D’Odorico, P., & Suweis, S. (2021). Dimensionality reduction of complex dynamical systems. iSci-ence, 24(1), 101912. doi: 10.1016/j.isci.2020.101912.
Abellana, D. P. (2021). Modelling the interdependent relationships among epidemic antecedents using fuzzy multiple attribute decision making approaches. Open Computer Science, 11(1), 305-329. doi: 10.1515/comp-2020-0213.
Yao, Z., Peng, Y., Bi, J., Xie, C., Chen, X., Ki, Y., … & Zhou J. (2015). Application of the multifactor di-mensionality reduction method in evaluation of the roles of multiple genes/enzymes in multidrug-resistant acquisition in Pseudomonas aeruginosa strains. Epidemiology and Infection, 144(4), 856‒863. doi: 10.1017/S0950268815001788.
Chumachenko, D., Chumachenko, T., Meniailov, I., Pyrohov, P., Kuzin, I., & Rodyna, R. (2020). On-Line Data Processing, Simulation and Forecasting of the Coronavirus Disease (COVID-19) Propagation in Ukraine Based on Machine Learning Approach. Communications in Computer and Information Sciences, 1158, 372‒382. doi: 10.1007/978-3-030-61656-4_25.
Jombart, T. (2021). Real-time monitoring of COVID-19 dynamics using automated trend fitting and anomaly detection. Philosophical Transactions of the Royal Society B, 376(1829). 20200266. doi: 10.1098/rstb.2020.0266.
Homayouni, H., Ray, I., Ghosh, S., Gondalia, S., & Kahn, M. G. (2021). Anomaly Detection in COVID-19 Time-Series Data. SN Computer Science, 2, 279. doi: 10.1007/s42979-021-00658-w.
Chowell, G., Luo, R., Sun, K., Roosa, K., Tariq, A., & Viboud, C. (2020). Real-time forecasting of epidemic trajectories using computational dynamic ensembles. Epidemics, 30, 100379. doi: 10.1016/j.epidem.2019.100379.
Marzouk, M., Elshaboury, N., Abdel-Latif, A., & Azab, S. (2021). Deep learning model for forecasting COVID-19 outbreak in Egypt. Process Safety and Environmental Protection, 153, 363‒375. doi: 10.1016/j.psep.2021.07.034.
Nikparvar, B., Rahman, M. M., Hatami, F., & Thill, J. C. (2021). Spatio-temporal prediction of the COVID-19 pandemic in US counties: modeling with a deep LSTM neural network. Scientific Reports, 11, 21715. doi: 10.1038/s41598-021-01119-3.
Alessa, A., & Faezipour, M. (2018). A review of influenza detection and prediction through social networking sites. Theoretical Biology and Medical Modeling, 15, 2. doi: 10.1186/s12976-017-0074-5
Wong, A., Cao, J., Lyons, P. G., Dutta, S., Major, V. J., Otles, & E., Singh, K. (2021). Quantification of Sepsis model alerts in 24 US hospitals before and during the COVID-19 pandemic. JAMA Network Open, 4(11), e2135296. doi: 10.1001/jamanetworkopen.2021.35286.
Rustam, F., Khalid, M., Aslam, W., Rupapara, V., Mehmood, A., & Choi, G.S. (2021). A performance com-parison of supervised machine learning models for Covid-19 tweets sentiment analysis. PLoS ONE, 16(2), e0245909. doi: 10.1371/journal.pone.0245909.
Amara, A., Taieb, M. A. H., & Aouicha, M. B. (2021). Multilingual topic modeling for tracking COVID-19 trends based on Facebook data analysis. Applied Intelligence, 51, 3052‒3073. doi: 10.1007/s10489-020-02033-3.
Prasanth, S., Singh, U., Kumar, A., Tikkiwal, V. A., & Chong, P. H. J. (2021). Forecasting spread of COVID-19 using Google Trends: a hybrid GWO-deep learning approach. Chaos Solutions Fractals, 142, 110336. doi: 10.1016/j.chaos.2020.110336.
Bengtsson, L., Gaudart, J., Lu, X., Moore, S., Wetter, E., Sallah, K., … Piarroux, R. (2015). Using Mobile Phone Data to Predict the Spatial Spread of Cholera. Scientific Reports, 5, 8923. doi: 10.1038/srep08923
Yakovlev, S. (2020). The concept of developing a decision support system for the epidemic morbidity control. CEUR Workshop Proceedings, 2753, 265–274.
"Inter Collegas" є журналом відкритого доступу: всі статті публікуються у відкритому доступі без періоду ембарго, на умовах ліцензії Creative Commons Attribution ‒ Noncommercial ‒ Share Alike (CC BY-NC-SA, з зазначенням авторства ‒ некомерційна ‒ зі збереженням умов); контент доступний всім читачам без реєстрації з моменту його публікації. Електронні копії архіву журналів розміщені у репозиторіях ХНМУ та Національної бібліотеки ім. В.І. Вернадського.
Подача рукопису до редакції означає згоду всіх співавторів на такі умови використання їх твору:
1. Цей Договір про передачу прав на використання твору від Співавторів видавцю (далі Договір) укладений між всіма Співавторами твору, в особі Відповідального автора, та Харківським національним медичним університетом (далі Університет), в особі уповноваженого представника Редакції наукових журналів (далі Редакції).
2. Цей Договір є договором приєднання у розумінні п.1 ст. 634 Цивільного кодексу України: тобто є договором, «умови якого встановлені однією із сторін у формулярах або інших стандартних формах, який може бути укладений лише шляхом приєднання другої сторони до запропонованого договору в цілому. Друга сторона не може запропонувати свої умови договору». Стороною, що встановила умови цього договору, є Університет.
3. Якщо авторів більше одного, автори обирають Відповідального автора, який спілкується із Редакцією від свого імені та від імені всіх Співавторів щодо публікації письмового твору наукового характеру (статті або рецензії, далі Твору).
4. Договір починає свою дію від моменту подачі рукопису Твору Відповідальним автором до Редакції, що підтверджує наступне:
4.1. всі Співавтори Твору ознайомлені та згодні з його змістом, на всіх етапах рецензування та редагування рукопису та існування опублікованого Твору;
4.2. всі Співавтори Твору ознайомлені та згодні з умовами цього Договору.
5. Опублікований Твір знаходиться в електронному вигляді у відкритому доступі на сайтах Університету та будь-яких сайтах та в електронних базах, в яких Твір розміщений Університетом, та доступний читачам на умовах ліцензії "Creative Commons (Attribution NonCommercial Sharealike 4.0 International)" або більш вільних ліцензій "Creative Commons 4.0".
6. Відповідальний автор передає, а Університет одержує невиключне майнове право на використання Твору шляхом розміщення останнього на сайтах Університету на весь строк дії авторського права. Університет приймає участь у створенні остаточної версії Твору шляхом рецензування та редагування рукопису статті або рецензії, наданої Редакції Відповідальним автором, перекладу Твору на будь-які мови. За участь Університету у доопрацюванні Твору Співавтори згодні оплатити рахунок, виставлений їм Університетом, якщо така оплата передбачена Університетом. Розмір та порядок такої оплати не є предметом цього договору.
7. Університет має право на відтворення Твору або його частин в електронній та друкованій формах, на виготовлення копій, постійне архівне зберігання Твору, розповсюдження Твору у мережі Інтернет, репозиторіях, наукометричних базах, комерційних мережах, у тому числі за грошову винагороду від третіх осіб.
8. Співавтори гарантують, що рукопис Твору не використовує твори, авторські права на які належать третім особам.
9. Співавтори Твору гарантують, що на момент надання рукопису Твору до Редакції майнові права на Твір належать лише їм, ні повністю, ні в частині нікому не передані (не відчужені), не є предметом застави, судового спору або претензій з боку третіх осіб.
10. Твір не може бути розміщений на сайтах Університету, якщо він порушує права людини на таємницю її особистого і сімейного життя, завдає шкоди громадському порядку та здоров’ю.
11. Твір може бути відкликаний Редакцією з сайтів Університету, бібліотек та електронних баз, де він був розміщений Редакцією, у випадках виявлення порушень етики авторів та дослідників, без будь-якого відшкодування збитків Співавторів. На момент подачі рукопису до Редакції та всіх етапів його редагування та рецензування, рукопис не має бути вже опублікованим або поданим до інших редакцій.
12. Передаване за цим Договором право поширюється на територію України та зарубіжних країн.
13. Правами Співавторів є вимога зазначати їх імена на всіх екземплярах Твору чи під час будь-якого його публічного використання чи публічного згадування про Твір; вимога збереження цілісності Твору; законна протидія будь-якому перекрученню чи іншому посяганню на Твір, що може нашкодити честі і репутації Співавторів.
14. Співавтори мають право контролю своїх особистих немайнових прав шляхом ознайомлення з текстом (змістом) і формою Твору перед його публікацією на сайтах Університету, при передачі його поліграфічному підприємству для тиражування чи при використанні Твору іншими способами.
15. За Співавторами, окрім непереданих за цим Договором майнових прав та із урахуванням невиключного характеру переданих за цим Договором прав, зберігаються майнові права на доопрацювання Твору та на використання окремих частин Твору у створюваних Співавторами інших творів.
16. Співавтори зобов’язані повідомити Редакцію про всі помилки в Творі, виявлені ними самостійно після публікації Твору, і вжити всіх заходів до якнайшвидшої ліквідації таких помилок.
17. Університет зобов'язується вказувати імена Співавторів на всіх екземплярах Твору під час будь-якого публічного використання Твору. Перелік Співавторів може бути скорочений за правилами формування бібліографічних описів, визначених Університетом або третіми особами.
18. Університет зобов'язується не порушувати цілісність Твору, погоджувати з Відповідальним Автором усі зміни, внесені до Твору у ході переробки і редагування.
19. У випадку порушення своїх зобов'язань за цим Договором його сторони несуть відповідальність, визначену цим Договором та чинним законодавством України. Всі спори за Договором вирішуються шляхом переговорів, а якщо переговори не вирішили спору – у судах міста Харкова.
20. Сторони не несуть відповідальності за порушення своїх зобов'язань за цим Договором, якщо воно сталося не з їх вини. Сторона вважається невинуватою, якщо вона доведе, що вжила всіх залежних від неї заходів для належного виконання зобов'язання.
21. Співавтори несуть відповідальність за правдивість викладених у Творі фактів, цитат, посилань на законодавчі і нормативні акти, іншу офіційну документацію, наукову обґрунтованість Твору, всі види відповідальності перед третіми особами, що заявили свої права на Твір. Співавтори відшкодовують Університету усі витрати, спричинені позовами третіх осіб про порушення авторських та інших прав на Твір, а також додаткові матеріальні витрати, пов'язані з усуненням виявлених недоліків.