[论文解读] Kinetic modelling of epidemic dynamics: social contacts, control with uncertain data, and multiscale spatial dynamics

Giacomo Albi, Giulia Bertaglia+5 more|arXiv (Cornell University)|Oct 1, 2021

Complex Network Analysis Techniques被引用 7

一句话总结

本文提出了一种用于流行病动力学的动能建模框架，整合了社交接触结构、财富分配和空间移动性，以提升大流行病预测的准确性。通过运用随机伽辽金方法和多尺度输运模型，将不确定数据纳入考量，该方法能够实现对城市及区域尺度下SARS-CoV-2传播的现实、数据驱动型模拟，与真实意大利流行病数据相比，尤其在捕捉未被检测到的无症状传播方面表现出更优的匹配度。

ABSTRACT

In this survey we report some recent results in the mathematical modeling of epidemic phenomena through the use of kinetic equations. We initially consider models of interaction between agents in which social characteristics play a key role in the spread of an epidemic, such as the age of individuals, the number of social contacts, and their economic wealth. Subsequently, for such models, we discuss the possibility of containing the epidemic through an appropriate optimal control formulation based on the policy maker's perception of the progress of the epidemic. The role of uncertainty in the data is also discussed and addressed. Finally, the kinetic modeling is extended to spatially dependent settings using multiscale transport models that can characterize the impact of movement dynamics on epidemic advancement on both one-dimensional networks and realistic two-dimensional geographic settings.

研究动机与目标

• 开发一种动能模型，以捕捉个体社会特征（如年龄、接触人数、财富）对流行病传播的影响。
• 设计最优控制策略以实现流行病防控，同时考虑实时数据中的不确定性，反映政策制定者对疾病进展认知的局限性。
• 将模型扩展至多尺度空间动态，整合城市网络和真实2D地理区域内的移动模式。
• 通过不确定性感知模拟，量化未被检测到的无症状病例对流行病趋势的影响。
• 利用意大利伦巴第大区的真实数据对模型进行验证，尤其聚焦于大流行的第一波期间。

提出的方法

• 构建一个描述个体特征（如接触数、财富、年龄）和疾病状态（易感、感染、康复）概率密度函数演化的动能方程系统。
• 将社交接触分布和财富异质性作为影响传播率的结构性变量，整合进动能模型。
• 应用随机伽辽金方法，传播初始条件和模型参数中的不确定性，实现在数据变异条件下的稳健模拟。
• 使用多尺度输运模型，模拟在1D网络和2D地理域上的人类移动，将移动性与疾病传播相耦合。
• 采用混合型分层-动能方法，其中宏观组分（S、I、R）由微观层面的个体行为动态提供信息。
• 利用意大利民防部门、ISTAT及地区通勤数据集的真实数据对模型进行校准，以确保其现实性。

实验结果

研究问题

• RQ1 个体层面的社交接触模式与财富分配在多大程度上影响流行病的整体传播轨迹？
• RQ2 当疾病流行率数据存在不确定性或不完整时，能否设计出最优控制策略？
• RQ3 城市内部及跨区域的空间移动模式在多大程度上影响流行病的地理传播？
• RQ4 未被官方数据涵盖的无症状及轻症感染者，其纳入会对预测的流行病曲线产生何种影响？
• RQ5 在真实场景中，与传统分层模型相比，具备不确定性量化的动能模型是否能提供更可靠的预测？

主要发现

• 该模型准确再现了伦巴第大区的流行病峰值，尤其在米兰和贝加莫等高传播率省份，这些地区在官方数据中代表性不足。
• 模拟结果显示，预测的累计感染人数均值高于官方数据，证实了实时报告中存在显著的低估现象，原因在于未检测到的无症状病例。
• 模型预测的置信区间与官方数据一致，验证了通过随机伽辽金方法实现的不确定性量化的稳健性。
• 空间模拟显示，至3月下旬，病毒已从洛迪和克雷莫纳扩散至布雷西亚、米兰和贝加莫，与实际区域趋势相符。
• 该模型在伦巴第大区的总感染人数期望值与方差表现出显著的空间异质性，人口密集的城市中心感染负担更高，不确定性也更大。
• 与同质分层模型相比，纳入社交结构（接触数、财富）和移动动力学显著提升了流行病预测的现实性。