[论文解读] A simulation of a COVID-19 epidemic based on a deterministic SEIR model

José M. Carcione, Juan E. Santos+2 more|arXiv (Cornell University)|Apr 7, 2020

COVID-19 epidemiological studies参考文献 20被引用 16

一句话总结

本研究使用校准后的参数，基于确定性SEIR模型模拟了意大利伦巴第大区的COVID-19疫情，以估算感染传播、死亡人数以及封锁措施的影响。主要结果表明，在初始 $ R_0 $ 为3且逐渐下降至0.8、感染病死率（IFR）为0.57%（基于官方数据）的条件下，疫情峰值预计出现在3月31日（第37天），死亡人数达15,600人，感染人数达270万人。

ABSTRACT

An epidemic disease caused by a new coronavirus has spread in Northern Italy with a strong contagion rate. We implement an SEIR model to compute the infected population and number of casualties of this epidemic. The example may ideally regard the situation in the Italian Region of Lombardy, where the epidemic started on February 25. We calibrate the model with the number of dead individuals to date (May 5, 2020) and constraint the parameters on the basis of values reported in the literature. The peak occurs at day 37 (March 31) approximately, when there is a rapid decrease, with a reproduction ratio R0 = 3 initially, 1.36 at day 22 and 0.8 after day 35, indicating different degrees of lockdown. The predicted death toll is approximately 15600 casualties, with 2.7 million infected individuals at the end of the epidemic. The incubation period providing a better fit of the dead individuals is 4.25 days and the infection period is 4 days, with a fatality rate of 0.00144/day [values based on the reported (official) number of casualties]. The infection fatality rate (IFR) is 0.57 %, and 2.36 % if twice the reported number of casualties is assumed. However, these rates depend on the initially exposed individuals. If approximately nine times more individuals are exposed, there are three times more infected people at the end of the epidemic and IFR = 0.47 %. If we relax these constraints and use a wider range of lower and upper bounds for the incubation and infection periods, we observe that a higher incubation period (13 versus 4.25 days) gives the same IFR (0.6 versus 0.57 %), but nine times more exposed individuals in the first case. Therefore, a precise determination of the fatality rate is subject to the knowledge of the characteristics of the epidemic.

研究动机与目标

• 使用确定性SEIR模型模拟意大利伦巴第大区COVID-19疫情的动态过程，尽管数据有限且存在不确定性。
• 利用截至2020年5月5日的伤亡报告数据，对模型参数（如潜伏期、传染期、病死率和基本再生数）进行校准。
• 通过分析 $ R_0 $ 随时间的变化，评估社交疏离和封锁措施对疫情进展的影响。
• 评估感染病死率（IFR）对初始暴露个体数量及参数边界的敏感性。
• 通过量化隔离与社交疏离的影响，展示即使在数据不确定的情况下，分 compartment 模型仍可为公共卫生政策提供支持。

提出的方法

• 采用确定性SEIR分 compartment 模型，将人口划分为易感者（S）、潜伏者（E）、感染者（I）和康复/移除者（R）四类。
• 模型由一组描述各 compartment 间转移的常微分方程控制，转移速率取决于传播率、潜伏期、康复率和病死率。
• 采用前向欧拉数值格式求解随时间演化的微分方程组。
• 模型参数（包括 $ R_0 $、潜伏期4.25天、传染期4天、病死率0.00144/天）经校准，以匹配截至2020年5月5日伦巴第大区的报告死亡人数。
• 通过改变初始暴露/感染者数量、潜伏期和传染期以及 $ R_0 $，开展敏感性分析，以评估结果的稳健性与现实性。
• 测试了具有更宽参数边界的替代参数集，以评估其与观测数据的一致性，并探索IFR和疫情时间的合理范围。

实验结果

研究问题

• RQ1 伦巴第大区疫情峰值的时间与强度在多大程度上取决于初始基本再生数 $ R_0 $ 及其因封锁措施而随时间变化的降低？
• RQ2 伦巴第大区疫情的估计感染病死率（IFR）是多少？其在不同初始暴露假设和报告伤亡数据下的变化如何？
• RQ3 潜伏期和传染期的变化如何影响模型对观测到的病死率数据的拟合程度及预测的疫情轨迹？
• RQ4 初始条件（如初始暴露人数）的变化在多大程度上影响最终疫情规模和IFR估计值？
• RQ5 社交疏离与隔离措施在多大程度上通过随时间变化的 $ R_0 $ 减少传播？该影响如何通过SEIR模型进行量化？

主要发现

• 伦巴第大区的疫情峰值出现在第37天（2020年3月31日），当天感染和死亡人数达到最高。
• 根据截至2020年5月5日的官方报告死亡数据，模型预测疫情结束时总死亡人数约为15,600人。
• 初始基本再生数 $ R_0 $ 为3，至第22天降至1.36，第35天后低于1（降至0.8），表明封锁措施有效。
• 最佳拟合潜伏期为4.25天，传染期为4天，基于官方伤亡数据，感染病死率（IFR）为0.57%。
• 若将报告的伤亡人数翻倍，IFR将上升至2.37%；若将初始暴露人数增加九倍，IFR将降至0.47%，但最终感染人数将增加三倍。
• 采用更长潜伏期（如13天）的替代参数集可得到相近的IFR（0.6%），但需显著更高的初始暴露量，凸显了IFR估计中的参数不确定性。