[论文解读] A simple Stochastic SIR model for COVID 19 Infection Dynamics for Karnataka: Learning from Europe

Aditya Simha, Prasad Rv+1 more|arXiv (Cornell University)|Mar 26, 2020

COVID-19 epidemiological studies参考文献 2被引用 67

一句话总结

本论文发展一个使用 Itô 微积分的随机 SIR 模型以拟合欧洲数据并在不同暴露（封锁）水平下预测卡纳塔克邦的 COVID-19 动态。

ABSTRACT

In this short note we model the region-wise trends of the evolution to COVID-19 infections using a stochastic SIR model. The SIR dynamics are expressed using extit{Itô-stochastic differential equations}. We first derive the parameters of the model from the available daily data from European regions based on a 24-day history of infections, recoveries and deaths. The derived parameters have been aggregated to project future trends for the Indian subcontinent, which is currently at an early stage in the infection cycle. The projections are meant to serve as a guideline for strategizing the socio-political counter measures to mitigate COVID-19.

研究动机与目标

• 在干预后，动机化使用随机 SIR 动力学来建模区域 COVID-19 动态。
• 从欧洲数据推导区域特定参数，并将其应用于卡纳塔克邦。
• 探讨移动性/封锁暴露如何影响感染趋势，并为政策决策提供指南。
• 在不同封锁/暴露水平下为卡纳塔克邦提供情景基础的预测。

提出的方法

• 用以 Itô 随机微分方程表示的随机 SIR 系统来建模 COVID-19 动态。
• 使用暴露因子 Ef 来调节感染增长率 beta，以体现干预。
• 从欧洲地区估计参数 (beta, gamma, sigma) 并将其应用于卡纳塔克邦数据。
• 使用 Euler-Maruyama 数值积分对 SDEs 进行仿真以生成预测。
• 改变 Ef 以代表不同的封锁/出行情景，并观察对 C(t)（活跃感染） 的影响。
• 基于区域数据和文献假设初始条件和人口规模。

实验结果

研究问题

• RQ1 干预后随机效应如何影响区域 SIR 模型中感染的发展？
• RQ2 在卡纳塔克邦及更广泛的印度，避免指数增长所需的暴露水平（Ef）是多少？
• RQ3 使用印度特定参数与平均欧洲参数时，预测有何不同？
• RQ4 在考虑社会经济因素的同时，哪些封锁时长与计划能将感染降至最低？

主要发现

• 在所研究的设定下，预测表明暴露低于 25% 需要以避免卡纳塔克邦和印度的指数增长。
• 长期封锁（数月）可能是必要的，以在疫苗接种或其他措施可用前将感染控制在可控范围内。
• 放宽封锁（ON–OFF 调度）会推迟感染峰值而非降低它，只提供临时缓解而不会降低最终病例数。
• 使用欧洲平均参数得到的预测在多样化出行情景下为卡纳塔克邦的政策决策提供信息。
• 模型通过假设更高的初始活跃感染数来解释未报告或未发现的感染（例如，2020年4月3日卡纳塔克邦的初始活跃感染数为 113），以反映未被报告的感染。
• 该方法演示了随时间改变 Ef（以反映封锁）如何影响随机轨迹和峰值时序。