[论文解读] A feedback SIR (fSIR) model highlights advantages and limitations of infection-based social distancing

Elisa Marques Franco|arXiv (Cornell University)|Apr 27, 2020

COVID-19 epidemiological studies参考文献 38被引用 42

一句话总结

本文提出了一种反馈SIR（fSIR）模型，该模型通过受生态学和生物化学动力学启发的负反馈机制，根据实时感染水平动态降低传播率。该模型表明，基于感染水平的社会疏离可降低流行病高峰并延长疫情持续时间，即使存在信息延迟，也能提供一种简单而有效的方法，仅通过增加一个参数即可评估政策影响。

ABSTRACT

Transmission rates in epidemic outbreaks vary over time depending on the societal and government response to infections and mortality data, as evidenced in the course of the COVID-19 pandemic. Following a mean field approach that models individuals like molecules in a well-mixed solution, I derive a modified SIR model in which the average daily contacts between susceptible and infected population are reduced based on the known infection levels, capturing the effects of social distancing policies. This approach yields a time-varying reproduction number that is continuously adjusted based on infection information through a negative-feedback term that is equivalent to Holling type II functions in ecology and Hill functions in chemistry and molecular biology. This feedback-adjustment of the transmission rate causes a structural reduction in infection peak, and simulations indicate that such reduction persists even in the presence of information delays. Simulations also show that a distancing policy based on infection data may substantially extend the duration of an epidemic. If the distancing rate is linearly proportional to infections, this model adds a single parameter to the original SIR, making it useful to illustrate the effects of social distancing enforced based on awareness of infections.

研究动机与目标

• 建模实时感染数据如何在流行期间指导和调整社会疏离政策。
• 解决现有SIR模型中假设传播率固定、与公众或政策响应无关的缺陷。
• 研究基于感染水平的反馈机制如何影响流行病动力学，特别是对峰值降低和持续时间的影响。
• 提供经典SIR模型的最小参数扩展，以捕捉由意识驱动的行为变化。

提出的方法

• 该模型通过引入随感染水平上升而下降的时间变异性传播率，对标准SIR框架进行修改。
• 反馈机制使用Holling类型II函数（或Hill函数）来表示社会疏离在感染增加时的饱和效应。
• 传播率基于累积或当前感染数量动态调整，形成负反馈回路。
• 该模型保留了SIR的核心结构，但增加一个新参数以控制反馈响应的强度。
• 在各种信息延迟情景下运行模拟，以检验峰值降低的鲁棒性。
• 对模型进行解析和数值评估，以分析流行病高峰、持续时间及基本再生数的变化。

实验结果

研究问题

• RQ1 基于感染水平触发的反馈式社会疏离如何影响人群中的流行病高峰高度？
• RQ2 信息延迟对基于感染的疏离在降低传播方面的有效性有何影响？
• RQ3 当传播基于实时感染数据减少时，流行病的持续时间如何变化？
• RQ4 反馈机制在多大程度上随时间改变有效再生数？
• RQ5 该模型的单个新增参数如何影响峰值降低与疫情延长之间的权衡？

主要发现

• 即使传播率对感染水平的响应较弱，反馈机制也能导致流行病高峰的结构性降低。
• 即使存在感染信息报告延迟，峰值降低效果依然存在，表明对现实世界报告延迟具有鲁棒性。
• 当社会疏离基于感染反馈时，模型预测流行病持续时间将显著延长，这是由于传播被持续抑制所致。
• 当疏离率与感染水平成线性比例时，模型仅在原始SIR基础上增加一个额外参数，仍保持解析可解性。
• fSIR模型中的时变基本再生数会根据感染水平动态调整，反映现实世界政策的响应能力。
• 该模型的反馈结构与生物和生态调节机制相似，暗示其可作为理解流行病中行为反应的自然类比。