[论文解读] A Two-Phase Dynamic Contagion Model for COVID-19

Zezhun Chen, Angelos Dassios+5 more|arXiv (Cornell University)|Jun 11, 2020

COVID-19 epidemiological studies参考文献 1被引用 5

一句话总结

本文提出了一种两阶段动态传染过程（2P-DCP），这是一种连续时间的随机强度模型，能够捕捉个体水平上的传染性变异，与具有固定基本再生数的标准模型不同。该模型估计了干预措施影响的时间滞后，并与观察到的潜伏期高度一致，能够准确预测多个地区的疫情持续时间和最终规模。

ABSTRACT

In this paper, we propose a continuous-time stochastic intensity model, namely, two-phase dynamic contagion process(2P-DCP), for modelling the epidemic contagion of COVID-19 and investigating the lockdown effect based on the dynamic contagion model introduced by Dassios and Zhao (2011). It allows randomness to the infectivity of individuals rather than a constant reproduction number as assumed by standard models. Key epidemiological quantities, such as the distribution of final epidemic size and expected epidemic duration, are derived and estimated based on real data for various regions and countries. The associated time lag of the effect of intervention in each country or region is estimated. Our results are consistent with the incubation time of COVID-19 found by recent medical study. We demonstrate that our model could potentially be a valuable tool in the modeling of COVID-19. More importantly, the proposed model of 2P-DCP could also be used as an important tool in epidemiological modelling as this type of contagion models with very simple structures is adequate to describe the evolution of regional epidemic and worldwide pandemic.

研究动机与目标

• 开发一种考虑个体传染性变异的随机流行病模型，超越固定基本再生数的限制。
• 估计政府干预措施（如封锁）与对传播动态可观测影响之间的时间滞后。
• 基于真实世界数据，推导并估计关键流行病学指标，如最终疫情规模和预期疫情持续时间。
• 验证模型与SARS-CoV-2已知生物潜伏期的一致性。
• 展示基于Hawkes过程的模型在流行病学中作为简洁而强大的标准确定性模型替代方案的适用性。

提出的方法

• 提出一种两阶段动态传染过程（2P-DCP）作为Hawkes过程的随机推广，允许感染事件的自激性跳跃。
• 将流行病分为两个阶段：干预前（传播增加）和干预后（传播减少），并引入一个潜在的有效干预时间ℓ。
• 采用随机强度框架，其中新感染事件的强度依赖于历史事件和个体传染性，且具有阶段特异性参数。
• 利用概率生成函数推导出给定干预时间下最终疫情规模的混合泊松分布。
• 通过最大似然估计法，利用多个国家和地区的累计病例真实数据校准模型参数（α, β, δ, ϱ, ℓ）。
• 基于估计的干预时间点的过滤信息，估计疫情持续时间和最终规模的条件期望及95%置信区间。

实验结果

研究问题

• RQ1 与具有固定基本再生数的模型相比，个体传染性变异如何影响COVID-19传播的动力学？
• RQ2 不同国家中，政府实施干预措施与对传播率产生可测量影响之间的时间滞后是多少？
• RQ3 2P-DCP模型能否准确预测不同地区疫情的最终规模和预期持续时间？
• RQ4 估计的干预滞后时间与SARS-CoV-2临床观察到的潜伏期是否高度一致？
• RQ5 Hawkes基随机过程在多大程度上可作为建模区域和全球流行病的灵活且现实的框架？

主要发现

• 2P-DCP模型成功捕捉了澳大利亚、中国（大陆）、德国和纽约等多个地区COVID-19的流行病动态，校准后的参数实现了准确预测。
• 干预与传播影响之间估计的时间滞后与Lauer等人（2020）发现的5.1天中位潜伏期一致，支持其生物学合理性。
• 对于纽约，模型预测最终疫情规模约为209,312例，95%置信区间为(149,261)天，预计疫情结束日期为2020年10月10日。
• 在中国（大陆），模型估计最终疫情规模为69,675.10例，95%置信区间为(87,142)天，预计疫情结束日期为2020年5月22日。
• 给定干预时间的最终疫情规模的条件分布服从混合泊松分布，通过数值反演计算干预后剩余病例的概率。
• 该模型展现出强大的预测能力，对消除时间及疫情规模的预测在包括瑞士和意大利在内的多个国家中均表现出高度精确性。