[논문 리뷰] A simple Stochastic SIR model for COVID 19 Infection Dynamics for Karnataka: Learning from Europe

Aditya Simha, Prasad Rv외 1명|arXiv (Cornell University)|2020. 03. 26.

COVID-19 epidemiological studies참고 문헌 2인용 수 67

한 줄 요약

논문은 Itô 계산을 사용하여 확률적 SIR 모델을 개발하고 유럽 데이터에 맞춰 Karnataka의 COVID-19 역학을 다양한 노출(봉쇄) 수준에서 전망한다.

ABSTRACT

In this short note we model the region-wise trends of the evolution to COVID-19 infections using a stochastic SIR model. The SIR dynamics are expressed using extit{Itô-stochastic differential equations}. We first derive the parameters of the model from the available daily data from European regions based on a 24-day history of infections, recoveries and deaths. The derived parameters have been aggregated to project future trends for the Indian subcontinent, which is currently at an early stage in the infection cycle. The projections are meant to serve as a guideline for strategizing the socio-political counter measures to mitigate COVID-19.

연구 동기 및 목표

• Interventions 이후 확률적 SIR 다이내믹스로 지역 COVID-19 역학 모델링을 동기화한다.
• European 데이터를 이용해 지역 특화 파라미터를 도출하고 Karnataka에 적용한다.
• 이동성/차단 노출이 감염 추세에 미치는 영향을 살펴보고 정책 의사결정을 위한 시사점을 제공한다.
• 다양한 차단/노출 수준에서 Karnataka에 대한 시나리오 기반 전망을 제공한다.

제안 방법

• Itô 확률 미분방정식으로 표현된 확률적 SIR 시스템으로 COVID-19 역학을 모델링한다.
• Ef라는 노출 인자를 사용하여 차단 등의 개입을 반영하기 위해 infection growth rate beta를 변조한다.
• European 지역에서 파라미터(beta, gamma, sigma)를 추정하고 Karnataka 데이터에 적용한다.
• SDE의 Euler-Maruyama 수치적 적분으로 전망을 생성한다.
• Ef를 변화시켜 서로 다른 차단/모빌리티 시나리오를 나타내고 활성 감염(C(t))에 미치는 영향을 관찰한다.
• 지역 데이터 및 문헌을 바탕으로 초기 조건과 인구 규모를 가정한다.

실험 결과

연구 질문

• RQ1 개입 이후 지역 SIR 모델에서 확률적 효과가 감염의 진화에 어떤 영향을 미치는가?
• RQ2 Karnataka에서 지수적 증가를 피하려면 어떤 노출 수준(Ef)이 필요한가, 그리고 더 넓은 India에서의 경우는 어떠한가?
• RQ3 인도 특유의 파라미터를 사용할 때와 평균European 파라미터를 사용할 때 전망은 어떻게 달라지는가?
• RQ4 감염을 최소화하면서 사회경제적 요인을 고려한 차단 기간 및 일정은 무엇인가?

주요 결과

• 연구된 설정에서 Karnataka와 India의 지수적 증가를 피하려면 노출이 25% 미만이어야 한다는 것이 시사된다.
• 감염을 통제하려면 백신 접종이나 다른 조치가 가능해질 때까지 확장된 차단(수 개월)이 필요할 수 있다.
• 차단의 해제(ON–OFF 일정)는 감염 피크를 옮길 뿐 감소시키지 않으며 결국의 확진자 수를 낮추지 않는 임시적인 완화에 불과하다.
• European-averaged 파라미터를 사용하면 다양한 모빌리티 시나리오에서 Karnataka에 대한 정책 의사결정에 정보를 제공하는 전망이 얻어진다.
• 모형은 초기 활성 감염 수를 더 높게 가정하여 비보고되거나 검출되지 않는 감염을 설명한다(예: 2020년 4월 3일 Karnataka에서 113으로 가정).
• Ef가 시간에 따라 변화하는 방식을 통해 차단을 반영하는 경우 확률적 궤적과 피크 시점에 미치는 영향을 보여준다.