[论文解读] Non-Markovian SIR epidemic spreading model

Lasko Basnarkov, Igor Tomovski+2 more|arXiv (Cornell University)|Jul 15, 2021

COVID-19 epidemiological studies参考文献 15被引用 5

一句话总结

本文提出了一种非马尔可夫SIR模型，该模型采用潜伏期、传染性和恢复期的一般分布，能够更真实地模拟COVID-19等疾病。该模型为任意传染性和恢复函数的流行病阈值提供了分析推导，并通过与意大利首次疫情波的强拟合验证了其有效性，相较于马尔可夫模型，通过考虑症状延迟和非指数恢复时间，显著提升了准确性。

ABSTRACT

We introduce non-Markovian SIR epidemic spreading model inspired by the characteristics of the COVID-19, by considering discrete- and continuous-time versions. The incubation period, delayed infectiousness and the distribution of the recovery period are modeled with general functions. By taking corresponding choice of these functions, it is shown that the model reduces to the classical Markovian case. The epidemic threshold is analytically determined for arbitrary functions of infectivity and recovery and verified numerically. The relevance of the model is shown by modeling the first wave of the epidemic in Italy, in the spring, 2020.

研究动机与目标

• 开发一种非马尔可夫SIR模型，以捕捉现实疾病进展特征，如潜伏期延迟和非指数恢复时间。
• 为任意传染性和恢复函数分布下的流行病阈值推导出分析表达式。
• 通过拟合2020年意大利首次COVID-19疫情的现实世界数据，验证模型的相关性。
• 证明当特定分布函数被选择时，该模型可退化为经典的马尔可夫SIR模型。
• 提供一个可扩展至其他传播阶段（如住院、隔离）的框架，以支持更广泛的流行病建模。

提出的方法

• 模型采用离散时间和连续时间公式，描述SIR状态转移，使用通用函数表示传染性、潜伏期和恢复期。
• 传染性被建模为时间依赖函数β(τ)，其中τ为感染后的时间，允许延迟或非指数传播。
• 恢复过程通过通用恢复函数建模，取代马尔可夫模型中的指数率假设。
• 通过疾病自由平衡点的稳定性分析，推导出流行病阈值，将经典基本再生数R₀推广至非马尔可夫情形。
• 通过将模型拟合至2020年春季意大利的日确诊数，进行数值验证，确认延迟和传染性参数根据实际数据进行调整。
• 该框架允许传染性和恢复函数采用任意函数形式，从而系统性地整合来自真实数据的经验分布。

实验结果

研究问题

• RQ1 如何构建一种非马尔可夫SIR模型，以纳入潜伏期、传染性和恢复期的一般分布？
• RQ2 在具有任意传染性和恢复函数的非马尔可夫SIR模型中，流行病阈值的分析表达式是什么？
• RQ3 该模型在拟合现实世界流行病数据方面表现如何，特别是针对具有症状延迟和非指数恢复的疾病？
• RQ4 当特定函数形式被选择时，该模型是否可退化为经典的马尔可夫SIR模型？
• RQ5 传染性和确诊延迟的变化如何影响模型再现观测流行病曲线的能力？

主要发现

• 该模型准确再现了意大利首次COVID-19疫情波，其中传染性起始与确诊之间存在五天延迟时，对每日确诊数的拟合效果最佳。
• 该模型为任意传染性和恢复函数分布下的流行病阈值提供了分析确定，将经典R₀概念推广至非马尔可夫动力学。
• 当传染性和恢复函数被选择为指数分布时，该模型退化为经典的马尔可夫SIR模型。
• 数值模拟验证了分析阈值，表明在不同参数设置下表现出一致的行为。
• 当确诊延迟相对于传染性起始时间设定为五天时，模型性能显著提升，与临床观察到的无症状期传播现象一致。
• 模型表明，将传染性参数β降低至其阈值以下（β = 0.5β_th）可显著减少每日峰值病例数，支持社交距离措施的有效性。