[论文解读] Preliminary analysis of COVID-19 spread in Italy with an adaptive SEIRD model

Elena Loli Piccolomini, Fabiana Zama|arXiv (Cornell University)|Mar 22, 2020

COVID-19 epidemiological studies参考文献 6被引用 44

一句话总结

本论文提出一种具有时变感染率的自适应 SEIRD 模型，用于分析并预测 COVID-19 在意大利各地区的传播，基于伦巴第大区 Lombardia、威尼托 Veneto、艾米利亚-罗马涅 Emilia Romagna 的 Protezione Civile 数据进行标定，并显示时变感染率能更好拟合。

ABSTRACT

In this paper we propose a Susceptible-Infected-Exposed-Recovered-Dead (SEIRD) differential model for the analysis and forecast of the COVID-19 spread in some regions of Italy, using the data from the Italian Protezione Civile from February 24th 2020. In this study investigate an adaptation of the model. Since several restricting measures have been imposed by the Italian government at different times, starting from March 8th 2020, we propose a modification of SEIRD by introducing a time dependent transmitting rate. In the numerical results we report the maximum infection spread for the three Italian regions firstly affected by the COVID-19 outbreak(Lombardia, Veneto and Emilia Romagna). This approach will be successively extended to other Italian regions, as soon as more data will be available.

研究动机与目标

• 建立一个确定性 SEIRD 框架，用于模拟 COVID-19 在意大利各地区的传播。
• 引入时变感染率以反映自 2020 年 3 月 8 日起的封锁措施。
• 基于区域数据对模型参数进行标定，并评估预测能力。
• 将标准 SEIRD 与自适应 SEIRD(rm) 进行比较，以改善数据拟合。

提出的方法

• 使用包含五个分区的 SEIRD 与 SEIRD(rm) 微分方程系统：易感、暴露、感染、康复、死亡。
• 将时间区间分为限制前后两个阶段，使用递减的时变感染率 beta(t)。
• 将 beta(t) 表示为一个分段递减的有理函数以捕捉政策变化：beta(t)=beta0 for t<t0, and beta0(1-ρ(t-t0)/t) for t>=t0, with ρ set to 0.75.
• 通过非线性最小二乘法结合正值约束利用 Matlab 的 lsqnonlin（trust-region）来对参数进行标定。
• 用初始条件 S(0)=N, E(0)=I(0)=I_init, R(0)=D(0)=0 求解 ODE 系统，并投影至 240 天。
• 使用截至 2020 年 3 月 20 日的数据在 Lombardia、Veneto 和 Emilia Romagna 上评估拟合效果。

实验结果

研究问题

• RQ1 带有时变感染率的 SEIRD 模型是否能够准确捕捉意大利各区域封锁措施的影响？
• RQ2 在基于区域数据标定时，adaptive SEIRD(rm) 是否比标准 SEIRD 提供更好的拟合和更可靠的预测？
• RQ3 每个区域估计的参数值（β、α、γR、γD）以及时变的复现率 Rt 是多少？
• RQ4 在自适应建模方法下，Lombardia、Emilia Romagna 和 Veneto 的感染高峰、康复和死亡时序有何差异？

主要发现

• SEIRD 参数拟合因地区与数据窗口而异；时变的 beta(t) 能提高与观测到的 IRD 轨迹的一致性。
• 在 Lombardia，SEIRD 模型估计出指示性的峰值时序和参数值，如 β≈0.3、α≈3、γR≈0.06、γD≈0.04（来自报道结果的示例）。
• SEIRD(rm) 模型在 t0 之后 beta(t) 递减，与研究区域的数据趋势相比，重现性比 SEIRD 更精确。
• Rt，定义为 β(t)/(γR+γD)，被显示为一个时变函数，并在封锁后下降，反映政策影响。
• 对于 Lombardia 与 Emilia Romagna，感染者峰值大约在 6 月 20 日左右出现，而 Veneto 的峰值稍晚（大约在 8 月 1 日），这归因于不同的检测政策。
• SEIRD(rm) 提供区域特定的峰值数值，并强调未被记录的感染可能影响传播，与引用文献一致。