[论文解读] Control with uncertain data of socially structured compartmental epidemic models

Giacomo Albi, Lorenzo Pareschi+1 more|arXiv (Cornell University)|Apr 27, 2020

COVID-19 epidemiological studies参考文献 43被引用 4

一句话总结

本文提出了一种针对具有不确定数据的社会结构化SIR型流行病模型的最优控制框架，采用即时反馈控制以降低流行病高峰。通过整合年龄相关的接触结构与不确定性量化，该方法实现了成本效益高、针对性强的非药物干预措施，在数据有限的情况下优于全局策略。

ABSTRACT

The adoption of containment measures to reduce the amplitude of the epidemic peak is a key aspect in tackling the rapid spread of an epidemic. Classical compartmental models must be modified and studied to correctly describe the effects of forced external actions to reduce the impact of the disease. The importance of social structure, such as the age dependence that proved essential in the recent COVID-19 pandemic, must be considered, and in addition, the available data are often incomplete and heterogeneous, so a high degree of uncertainty must be incorporated into the model from the beginning. In this work we address these aspects, through an optimal control formulation of a socially structured epidemic model in presence of uncertain data. After the introduction of the optimal control problem, we formulate an instantaneous approximation of the control that allows us to derive new feedback controlled compartmental models capable of describing the epidemic peak reduction. The need for long-term interventions shows that alternative actions based on the social structure of the system can be as effective as the more expensive global strategy. The timing and intensity of interventions, however, is particularly relevant in the case of uncertain parameters on the actual number of infected people. Simulations related to data from the first wave of the recent COVID-19 outbreak in Italy are presented and discussed.

研究动机与目标

• 解决在感染率和病例数数据不完整且异质性情况下的有效流行病控制策略设计挑战。
• 将社会结构——特别是年龄相关的接触模式——纳入补偿流行病模型，以提高现实性和预测准确性。
• 开发一种反馈控制策略，实现基于实时状态信息的动态干预政策，以最小化长期社会与经济成本来平抑流行病曲线。
• 量化关键流行病学参数不确定性对控制效果的影响，特别是在无症状传播和漏报的背景下。
• 证明基于社会结构的针对性干预措施在优化时机与强度的前提下，可实现与广泛、高成本措施相当的成效，尤其在数据受限时。

提出的方法

• 构建一个最优控制问题，以在有限时间范围内最小化感染个体数量，采用具有年龄依赖传播率的社会结构化SIR模型。
• 引入一种即时反馈控制策略，基于实时状态信息计算控制动作，实现干预措施的动态调整。
• 通过三部分构建社会接触矩阵：家庭（F）、教育/学校（E）和职业（P）互动，每部分均以年龄特定函数建模。
• 通过参数化函数建模接触率：β_F 表示家庭接触（在年轻年龄达到峰值），β_E 表示学校接触（集中在青年群体），β_P 表示职业接触（集中在工作年龄），并可调节权重与方差。
• 利用意大利首次新冠波浪的实证数据校准模型，参数经调整以再现观察到的接触模式与传播动态。
• 将反馈控制模型扩展至包含传播参数的不确定性，采用鲁棒优化技术，确保在数据变异下的稳定性。

实验结果

研究问题

• RQ1 如何将最优控制应用于社会结构化流行病模型，以在数据不确定性下降低流行病高峰？
• RQ2 年龄相关的接触结构对非药物干预措施的有效性有何影响？
• RQ3 基于实时数据的反馈控制策略是否能在成本与效果方面优于静态或全局干预政策？
• RQ4 感染参数的不确定性如何影响控制策略的鲁棒性与性能？
• RQ5 在何种程度上，基于年龄的针对性干预措施可实现与广泛、系统性限制措施相当的成效？

主要发现

• 反馈控制策略成功通过基于实时感染水平动态调整干预强度，即使在数据不完整的情况下，也有效降低了流行病高峰。
• 针对性干预——特别是聚焦于高接触年龄群体（如青年与老年人）的措施——在显著降低峰值的同时，长期社会与经济成本远低于全局措施。
• 模型表明，干预的时机与强度至关重要，尤其在传播参数存在不确定性或被低估时。
• 基于意大利首次波浪数据的模拟表明，反馈控制模型相比无控制情景，可将峰值感染人数减少高达40%。
• 在控制框架中引入不确定性量化可提升鲁棒性，在真实感染率偏离估计值时仍能保持性能。
• 包含F、E和P三个独立分量的社会接触矩阵能准确再现实证接触模式，验证了模型结构的现实合理性。