[论文解读] A Spatiotemporal Epidemic Model to Quantify the Effects of Contact Tracing, Testing, and Containment

Lars Lorch, William Trouleau+4 more|arXiv (Cornell University)|Apr 15, 2020

COVID-19 epidemiological studies参考文献 31被引用 35

一句话总结

本文提出了一种基于标记时间点过程的时空流行病模型，用于以高分辨率预测疾病传播，整合了接触追踪、检测和移动数据。该模型利用贝叶斯优化估计个体暴露风险、症状发生率及传播差异，基于德国蒂宾根的真实数据，展示了防控策略的可量化影响。

ABSTRACT

Motivated by the current COVID-19 outbreak, we introduce a novel epidemic model based on marked temporal point processes that is specifically designed to make fine-grained spatiotemporal predictions about the course of the disease in a population. Our model can make use and benefit from data gathered by a variety of contact tracing technologies and it can quantify the effects that different testing and tracing strategies, social distancing measures, and business restrictions may have on the course of the disease. Building on our model, we use Bayesian optimization to estimate the risk of exposure of each individual at the sites they visit, the percentage of symptomatic individuals, and the difference in transmission rate between asymptomatic and symptomatic individuals from historical longitudinal testing data. Experiments using real COVID-19 data and mobility patterns from Tubingen, a town in the southwest of Germany, demonstrate that our model can be used to quantify the effects of tracing, testing, and containment strategies at an unprecedented spatiotemporal resolution. To facilitate research and informed policy-making, particularly in the context of the current COVID-19 outbreak, we are releasing an open-source implementation of our framework at this https URL.

研究动机与目标

• 开发一种用于预测新冠疫情传播的细粒度时空模型。
• 量化接触追踪、检测和社会距离措施对传播动态的影响。
• 利用纵向检测和移动数据估计个体层面的暴露风险。
• 比较无症状与有症状个体之间的传播率。
• 通过开源、数据驱动的模拟支持基于证据的政策制定。

提出的方法

• 该模型使用标记时间点过程表示具有时空坐标的感染事件。
• 通过整合接触追踪技术和移动模式数据，在个体和地点层面建模传播风险。
• 应用贝叶斯优化推断潜在参数：个体暴露风险、症状病例比例以及相对传播率。
• 通过拟合历史纵向检测数据来估计传播动态。
• 在高空间和时间分辨率下，支持不同检测和防控策略的场景分析。
• 发布开源实现，以支持可复现性和政策研究。

实验结果

研究问题

• RQ1 不同的接触追踪和检测策略在个体层面上如何影响流行病的时空传播？
• RQ2 在真实世界环境中，无症状个体与有症状个体对疾病传播的相对贡献是什么？
• RQ3 如何利用移动和检测数据量化个体层面的暴露风险？
• RQ4 当以细粒度时空分辨率建模时，社交距离和营业限制等防控措施在多大程度上可减少传播？
• RQ5 贝叶斯优化在真实纵向检测数据下，对关键流行病学参数的估计精度如何？

主要发现

• 该模型利用德国蒂宾根的真实数据，实现了高分辨率的时空疾病传播预测。
• 可对接触追踪和检测策略在个体和地点层面上对传播减少的影响进行定量评估。
• 该框架成功地从纵向数据中估计出症状病例的比例以及无症状与有症状个体之间的相对传播率。
• 贝叶斯优化能有效基于访问历史和检测结果推断个体暴露风险。
• 该模型证明，可通过数据驱动的模拟系统性地评估和优化防控措施。
• 已发布开源实现，以支持持续的研究和政策评估。