[论文解读] Modelling the spread of Covid19 in Italy using a revised version of the SIR model

Andrea Palladino, Nardelli+6 more|arXiv (Cornell University)|Jan 1, 2020

COVID-19 epidemiological studies参考文献 7被引用 9

一句话总结

本文提出了一种改进的SIR模型，通过引入基本再生数R₀的时间依赖性指数衰减，以提高对意大利COVID-19疫情的预测能力。通过将R₀校准为在实施封锁措施后下降，该模型准确预测了意大利在2020年4月20日达到疫情峰值，活跃病例数为108,000例，与实际峰值相差不到1周且绝对病例数误差低于8%，表明该模型在真实疫情动态预测方面具有强大能力。

ABSTRACT

In this paper, we present a model to predict the spread of the Covid-19 epidemic and apply it to the specific case of Italy. We started from a simple Susceptible, Infected, Recovered (SIR) model and we added the condition that, after a certain time, the basic reproduction number $R_0$ exponentially decays in time, as empirically suggested by world data. Using this model, we were able to reproduce the real behavior of the epidemic with an average error of 5\%. Moreover, we illustrate possible future scenarios, associated to different intervals of $R_0$. This model has been used since the beginning of March 2020, predicting the Italian peak of the epidemic in April 2020 with about 100.000 detected active cases. The real peak of the epidemic happened on the 20th of April 2020, with 108.000 active cases. This result shows that the model had predictive power for the italian case.

研究动机与目标

• 通过引入时变传播动力学，提高标准SIR模型对意大利COVID-19疫情的预测准确性。
• 模拟隔离和社交距离措施对有效再生数R₀的影响。
• 基于封锁后R₀的不同假设值，提供可靠的未来疫情情景预测。
• 利用最新数据计算意大利及其各地区的R₀(t)随时间的变化，实现实时疫情趋势监测。
• 在疫情早期阶段，通过与实际报告病例数据对比，验证模型的预测能力。

提出的方法

• 通过在阈值时间后引入随时间变化的R₀(t)并使其呈指数衰减，对标准SIR模型进行改进，以反映公共卫生干预措施的影响。
• 采用改进的SIR公式，其中R₀(t) = β(t)S(t)/(γN)，β(t)表示传播率，γ表示恢复/死亡率（假设恒定为每天1/14）。
• 通过最小化观测值与预测值之间活跃感染病例的均方误差，利用意大利最后5天的数据和各地区7天的数据对模型进行校准。
• 将实际感染人数估计为确诊人数的三倍，调整S(t)/N以反映更高的易感性水平。
• 通过将R₀固定在最终数据点（2020年5月4日）并模拟不同R₀区间，预测未来情景，以评估封锁后疫情轨迹。
• 在滚动5天（意大利）或7天（各地区）窗口内动态计算R₀(t)，以减少噪声并捕捉疫情近期趋势。

实验结果

研究问题

• RQ1 具有时变R₀的改进SIR模型能否准确预测意大利COVID-19疫情峰值的时间和规模？
• RQ2 封锁措施的实施如何随时间影响有效再生数R₀？
• RQ3 在不同假设的封锁后R₀值下，意大利未来的疫情轨迹可能如何？
• RQ4 如何基于实时数据可靠地计算R₀(t)，以反映意大利及其各地区当前的疫情趋势？
• RQ5 考虑漏报情况（假设真实感染人数为确诊人数的3倍）在多大程度上提升了模型的准确性？

主要发现

• 该模型预测意大利疫情于2020年4月20日达到峰值，活跃病例为108,000例，与实际峰值相差不到1周，且绝对病例数误差低于10%。
• 在拟合真实数据时，模型的平均预测误差为5%，表明其与观察到的疫情动态高度一致。
• R₀(t)通过在最新数据上使用5天滚动窗口动态计算，结果呈现出与封锁措施一致的持续下降趋势。
• 对于意大利各地区，采用7天窗口计算R₀(t)，以减少因病例数较少导致的统计波动，从而获得更稳定的趋势指标。
• 未来预测显示，若R₀在2020年5月4日之后仍高于1，疫情将持续或再次爆发；而R₀ < 1则会导致疫情持续下降。
• 该模型的预测能力通过其能够提前1.5个月预测峰值得到验证，且仅使用了截至2020年3月初的数据。