[论文解读] A Note on the Evolution of Covid-19 in Italy

G. Dattoli, E. Di Palma+2 more|arXiv (Cornell University)|Mar 19, 2020

Complex Systems and Time Series Analysis参考文献 9被引用 6

一句话总结

本文将物理学和资源动力学中常用的逻辑斯蒂函数与Hubbert曲线模型应用于意大利新冠肺炎感染情况的预测。通过逻辑斯蒂函数拟合每日感染数据，估算感染高峰和饱和水平，预测感染高峰约为第23天达到每日约2,850例新发病例，而Gompertz模型则表现出更不对称、更宽的峰值，约为每日1,648例。

ABSTRACT

We employ methods largely exploited in Physics, in the analysis of the evolution of dynamical systems, to study the pattern of the Covid-19 infection in Italy. The techniques we employ are based on the use of logistic function and of its derivative, namely the Hubbert function. The latter is exploited to give a prediction on the number of infected per day. We also mention the possibility of taking advantage from other mathematical tools based e.g. on the Gompertz equation and make some comparison on the different predictive capabilities.

研究动机与目标

• 使用物理学中的数学工具对意大利SARS-CoV-2感染的时序演化进行建模。
• 利用逻辑斯蒂函数与Hubbert函数预测每日感染的峰值数量及达到饱和的时间。
• 比较逻辑斯蒂模型与Gompertz模型在流行病动力学中的预测性能。
• 估算在不同医疗容量阈值下可能未被治疗的患者数量。
• 评估简化模型相较于完整SIR型流行病框架的局限性。

提出的方法

• 采用逻辑斯蒂函数 $ N(\tau) = N_0 \frac{e^{r\tau}}{1 + \frac{N_0}{K}(e^{r\tau} - 1)} $ 建模累计感染随时间的变化。
• 使用逻辑斯蒂函数的导数，即Hubbert曲线，来建模每日新增感染。
• 利用意大利卫生部提供的早期疫情数据拟合模型参数 $ r $（增长率）和 $ K $（承载能力）。
• 应用Gompertz模型 $ G(\tau) = \alpha e^{-\beta e^{-\gamma \tau}} $ 作为替代方案，以比较其不对称性与峰值时间。
• 通过将Hubbert曲线与代表医疗容量的阈值 $ \overline{N} $ 进行比较，计算可能未被治疗的患者数量 $ \Delta $。
• 使用数值解法确定感染率超过阈值 $ \overline{N} $ 的时间区间 $ \tau_{\pm} $。

实验结果

研究问题

• RQ1 逻辑斯蒂函数与Hubbert函数能否准确拟合意大利新冠肺炎每日感染曲线？
• RQ2 预测的每日感染峰值数量是多少，何时会出现？
• RQ3 Gompertz模型在拟合观测数据与预测峰值时间方面与逻辑斯蒂模型相比表现如何？
• RQ4 在不同增长情景下，超出医疗容量的患者数量估计是多少？
• RQ5 区域差异（如伦巴第大区）如何影响全国层面的模型预测？

主要发现

• 逻辑斯蒂模型预测每日感染峰值为2,850例，出现在疫情开始后的 $ \tau^* = 23 $ 天。
• Gompertz模型得出的峰值更低且更宽，为每日1,648例，出现在 $ \tau_G^* = 18 $ 天。
• 随着增长率 $ r $ 的提高，可能未被治疗的患者数量 $ \Delta $ 显著增加，模型敏感性分析已证实此趋势。
• 模型表明，若峰值感染中10%的患者需要重症监护，每天约有300名患者将超过标准医疗容量。
• Gompertz模型产生的曲线比逻辑斯蒂模型更不对称、更宽，更符合观测到的数据趋势。
• 分析表明，全国趋势可能掩盖区域差异，北部意大利（如伦巴第大区）在疫情早期起主导作用，提示后期可能出现双逻辑斯蒂行为。