[论文解读] Centralized and decentralized isolation strategies and their impact on the COVID-19 pandemic dynamics

Alexandru Topîrceanu, Mihai Udrescu+1 more|arXiv (Cornell University)|Apr 8, 2020

Complex Network Analysis Techniques参考文献 46被引用 16

一句话总结

本研究提出了一种新颖的SICARS代理模型，用于在异质网络上比较集中式（政府强制）、去中心式（个体自主）和混合式（C+D）隔离策略。结果表明，集中式隔离对于最小化疫情传播至关重要，而混合式C+D策略可将高阶网络超级传播者减少90%以上，且在主动实施时最为有效。

ABSTRACT

The infectious diseases are spreading due to human interactions enabled by various social networks. Therefore, when a new pathogen such as SARS-CoV-2 causes an outbreak, the non-pharmaceutical isolation strategies (e.g., social distancing) are the only possible response to disrupt its spreading. To this end, we introduce the new epidemic model (SICARS) and compare the centralized (C), decentralized (D), and combined (C+D) social distancing strategies, and analyze their efficiency to control the dynamics of COVID-19 on heterogeneous complex networks. Our analysis shows that the centralized social distancing is necessary to minimize the pandemic spreading. The decentralized strategy is insufficient when used alone, but offers the best results when combined with the centralized one. Indeed, the (C+D) is the most efficient isolation strategy at mitigating the network superspreaders and reducing the highest node degrees to less than 10% of their initial values. Our results also indicate that stronger social distancing, e.g., cutting 75% of social ties, can reduce the outbreak by 75% for the C isolation, by 33% for the D isolation, and by 87% for the (C+D) isolation strategy. Finally, we study the impact of proactive versus reactive isolation strategies, as well as their delayed enforcement. We find that the reactive response to the pandemic is less efficient, and delaying the adoption of isolation measures by over one month (since the outbreak onset in a region) can have alarming effects; thus, our study contributes to an understanding of the COVID-19 pandemic both in space and time. We believe our investigations have a high social relevance as they provide insights into understanding how different degrees of social distancing can reduce the peak infection ratio substantially; this can make the COVID-19 pandemic easier to understand and control over an extended period of time.

研究动机与目标

• 评估在复杂网络上，集中式与去中心式社交距离策略在控制COVID-19传播方面的有效性。
• 评估主动与被动隔离时机对疫情动态的影响。
• 分析隔离强度与网络拓扑结构对感染峰值降低的影响。
• 确定仅靠去中心式策略是否足以缓解超级传播者效应，或是否需要中央协调。
• 为公共卫生政策提供基于证据的非药物干预建议，以应对大流行期间的疫情。

提出的方法

• 开发了一种新的SICARS（易感-潜伏-传染-知晓-移除-易感）代理模型，包含个体层面的意识状态。
• 使用合成数据集和真实世界接触网络数据集，在异质复杂网络上模拟隔离行为。
• 通过在网络中同步移除固定比例的社会关系，实现集中式隔离（C）。
• 通过两种机制实现去中心式隔离（D）：知晓隔离（DA）和自动隔离（DI），即个体根据自身感染状态自行隔离。
• 采用混合式（C+D）策略，先实施集中式移除，再进行异步的个体层面隔离。
• 通过调整隔离强度（如50%、75%的关系减少）和时机（主动 vs. 延迟），评估其对感染峰值和持续时间的影响。

实验结果

研究问题

• RQ1 在复杂网络中，集中式隔离在降低感染峰值比例和控制超级传播者方面有多有效？
• RQ2 仅靠去中心式隔离策略能否有效缓解SARS-CoV-2等高度传染性病原体的传播？
• RQ3 集中式与去中心式隔离的联合效应如何影响疫情动态和网络超级传播者减少？
• RQ4 隔离实施时机（主动 vs. 被动）如何影响疫情控制结果？
• RQ5 不同隔离强度水平（如50% vs. 75%的关系减少）如何影响感染传播的减少？

主要发现

• 当切断50%的社会关系时，仅靠集中式隔离可使感染峰值比例降低47%；当切断75%时，降低幅度达75%。
• 仅靠去中心式隔离在50%关系减少时使感染峰值比例降低31%，在75%减少时降低33%，表明其效果有限。
• 在75%关系减少条件下，混合式C+D策略使感染峰值比例降低87%，为最有效的策略。
• C+D策略使最高节点度数（超级传播者）降至初始值的10%以下，显著抑制了网络层面的传播。
• 在疫情爆发后超过一个月才实施隔离，即使隔离强度很高，其效果也急剧下降。
• 在疫情爆发初期即实施主动隔离，其效果显著优于后续采取的被动措施，无论隔离强度是否随时间增加。