[논문 리뷰] Scaling features in the spreading of COVID-19

Ming Li, Jie Chen외 1명|arXiv (Cornell University)|2020. 02. 21.

COVID-19 epidemiological studies참고 문헌 10인용 수 31

한 줄 요약

본 논문은 중국의 초기 COVID-19 데이터(01/20/2020–02/24/2020)를 로그-로그 스케일로 분석하고, 감염, 사망, 치유의 거듭제곱 법칙적 성장과 서로 다른 프랙탈 지수를 발견하여 소-월드 네트워크 영향력을 시사하며, 전염 피크와 사망률에 대한 예비 예측치를 제공한다.

ABSTRACT

Since the outbreak of COVID-19, many data analyses have been done. Some of them are based on the classical epidemiological approach that assumes an exponential growth, but a few studies report that a power-law scaling may provide a better fit to the currently available data. Hereby, we examine the data in China (01/20/2020--02/24/2020), and indeed find that the growth closely follows a power-law kinetics over a significantly wide time period. The exponents are $2.48(20)$, $2.21(6)$ and $4.26(12)$ for the number of confirmed infections, deaths and cured cases, respectively, indicating an underlying small-world network structure in the pandemic. While no obvious deviations from the power-law growth can be seen yet for the number of deaths and cured cases, negative deviations have clearly appeared in the number of infections, particularly that for the region outside Hubei. This suggests the beginning of the slowing-down of the virus spreading due to the huge containment effort. Meanwhile, we find that despite the dramatic difference in magnitudes, the growth kinetics of the infection number exhibits much similarity for Hubei province and the region outside Hubei. On this basis, in log-log plot, we rescale the infection number for the region outside Hubei such that it overlaps as much as possible with the total infection number in China, from which an approximate extrapolation yields the maximum of the pandemic around March 3, 2020, with the number of infections about $83,000$. Further, by analyzing the kinetics of the mortality in log-log scale, we obtains a rough estimate that near March 3, the death rate of COVID-19 would be about $4.7\% hicksim 5.0\%$ for Hubei province and $0.7\% hicksim1.0\%$ for the region outside Hubei. We emphasize that our predictions may be quantitatively unreliable, since the data analysis is purely empirical and various assumptions are used.

연구 동기 및 목표

• 중국의 초기 확산 기간 동안 COVID-19의 증가가 지수적 증가가 아니라 거듭제곱 법칙에 따라 진행되는지 평가한다.
• 누적 데이터에서 감염, 치유, 사망의 프랙탈(스케일) 지수를 식별한다.
• 허베이(Hubei) 지역과 그 외 지역의 지역별 dynamics를 탐색하고 증가 추세에 대한 봉쇄 영향 평가를 시도한다.
• 로그-로그 데이터 붕괴를 바탕으로 전염 피크와 사망률의 예비 외삽을 제공한다.]
• method_
• method이하의 텍스트는 번역되지 않으므로 아래와 같이 원문 그대로 두고 필요한 부분만 한국어로 처리합니다.

제안 방법

• 중국 본토의 01/20/2020부터 02/24/2020까지의 감염, 치유, 사망 누적 수를 분석한다.
• 로그-로그 스케일에서 데이터를 플롯하여 거듭제곱 동역학을 적합시키고 프랙탈 지수(α_infec, α_death, α_cured)를 추출한다.
• 새로운 발생이 없다는 가정 하에 전염 최대 및 종말 일을 추정하기 위해 로그-로그 평면에서 재스케일링과 다항식 적합을 사용한다.
• 허베이 외 지역과 허베이 간의 증가 동역학을 비교하여 공유 확산 메커니즘과 네트워크 구조를 추론한다.

실험 결과

연구 질문

• RQ1 누적 COVID-19 데이터가 넓은 시간 범위에 걸쳐 거듭제곱 성장으로 나타나며 해당 프랙탈 지수는 무엇인가?
• RQ2 감염, 사망, 치유 케이스에 대한 추정 지수는 무엇이며, 이는 기저 네트워크에 대해 무엇을 시사하는가?
• RQ3 허베이 외 지역 데이터를 재스케일링하여 중국 전체의 전염 최대치와 타이밍을 예측할 수 있는가?
• RQ4 허베이와 중국의 나머지 지역 간의 성장 패턴 차이는 봉쇄의 영향에 대해 무엇을 말하는가?
• RQ5 로그-로그 분석과 외삽으로부터 추정되는 예비 사망률은 무엇인가?

주요 결과

• 감염, 사망, 치유는 프랙탈 지수 α_infec ≈ 2.5, α_death ≈ 2.2, α_cured ≈ 4.3으로 거듭제곱 성장으로 나타난다.
• 2020-02-12 이후 감염에서 음의 편차가 나타나며 특히 허베이 외 지역에서 확산 속도가 둔화되었음을 시사한다.
• 치유율 지수는 감염/사망 지수보다 훨씬 크므로 의료 네트워크 연결이 더 촘촘하다는 것을 시사한다.
• 허베이 외 지역의 감염을 중국 전체 감염과 겹치도록 재스케일링하면 2020년 3월 3일(±2일)경 약 83,000건(≈83,200건)의 최고치가 시사된다.
• 전염의 종말일 추정은 외삽을 통한 2020-03-07에서 2020-03-19 사이의 시점으로 나타난다.
• 2020-03-03경의 예비 사망률 외삽은 허베이 약 4.7%–5.0%, 허베이 외 지역 약 0.8%–1.0%, 중국 전체 약 4.0%–4.5%로 추정된다.