[论文解读] A SIDARTHE Model of COVID-19 Epidemic in Italy

Giulia Giordano, Franco Blanchini+6 more|arXiv (Cornell University)|Mar 22, 2020

COVID-19 epidemiological studies参考文献 31被引用 671

一句话总结

本文提出SIDARTHE模型，一个八区室疫框架，区分已诊断与未诊断以及严重程度水平，用于预测意大利的COVID-19动态并通过经校准的再生数和情景分析评估对策。

ABSTRACT

In late December 2019, a novel strand of Coronavirus (SARS-CoV-2) causing a severe, potentially fatal respiratory syndrome (COVID-19) was identified in Wuhan, Hubei Province, China and is causing outbreaks in multiple world countries, soon becoming a pandemic. Italy has now become the most hit country outside of Asia: on March 16, 2020, the Italian Civil Protection documented a total of 27980 confirmed cases and 2158 deaths of people tested positive for SARS-CoV-2. In the context of an emerging infectious disease outbreak, it is of paramount importance to predict the trend of the epidemic in order to plan an effective control strategy and to determine its impact. This paper proposes a new epidemic model that discriminates between infected individuals depending on whether they have been diagnosed and on the severity of their symptoms. The distinction between diagnosed and non-diagnosed is important because non-diagnosed individuals are more likely to spread the infection than diagnosed ones, since the latter are typically isolated, and can explain misperceptions of the case fatality rate and of the seriousness of the epidemic phenomenon. Being able to predict the amount of patients that will develop life-threatening symptoms is important since the disease frequently requires hospitalisation (and even Intensive Care Unit admission) and challenges the healthcare system capacity. We show how the basic reproduction number can be redefined in the new framework, thus capturing the potential for epidemic containment. Simulation results are compared with real data on the COVID-19 epidemic in Italy, to show the validity of the model and compare different possible predicted scenarios depending on the adopted countermeasures.

研究动机与目标

• 提供一个动态模型，区分已诊断与未诊断感染及不同严重程度水平，以更好预测意大利的COVID-19传播。
• 量化检测与社交距离如何影响传播和医疗需求。
• 用早期意大利数据对模型进行校准，并比较对策情景的反事实情景。
• 在SIDARTHE框架内定义并解释一个再生数以评估遏制可行性。

提出的方法

• 提出SIDARTHE作为SIR的扩展，含八个状态：S, I, D, A, R, T, H, E。
• 建立八个耦合的ODE（方程1–8），描述状态之间的转变。
• 模型输出包含感染动态和医疗需求（ICU需求），通过线性输出方程（10–12）。
• 将IDART子系统表述为带反馈增益S(t)的正线性系统，并推导稳定性阈值S*（方程9–13，命题1）。
• 用模型参数来定义时变的基本再生数R0（方程18），并将长期稳定性与S̄和R0相关（方程17–19）。
• 提供长时间域状态界的闭式关系（方程20–22）和 CFR 认知（方程24–30）。

实验结果

研究问题

• RQ1 如何将已诊断和未诊断感染以及不同疾病严重程度纳入预测性流行模型？
• RQ2 在SIDARTHE框架下有效再生数是多少，它与最终易感人群分数的关系如何？
• RQ3 社交距离与检测策略如何改变意大利的疫情峰值、最终规模和医疗需求？
• RQ4 在不同检测制度下，模型能否解释实际与感知病例致死率之间的差异？

主要发现

• 以意大利（2020年2月20日—3月12日）初步校准，基本再生数为R0 = 2.38。
• 在早期对策（从第4天起）R0降至1.66，反映传播减少。
• 若不再实施进一步对策，模型预测在300天内大约有73%的人口感染，死亡率约为5.2%（诊断为64%）。
• 模型区分实际 CFR (≈7.2%) 与感知 CFR (≈9.0%)。
• 较温和的社交距离情景会推迟但不能避免峰值；更强有力的措施可以使R0降至1以下并显著降低峰值感染及ICU需求。
• 在不受约束传播下峰值ICU需求可高达约占人口的16.5%，而强力措施可显著抑制它。