[论文解读] Coronavirus Covid-19 spreading in Italy: optimizing an epidemiological model with dynamic social distancing through Differential Evolution

Ivan De Falco, Antonio Della Cioppa+2 more|arXiv (Cornell University)|Apr 1, 2020

COVID-19 epidemiological studies参考文献 3被引用 28

一句话总结

本文提出在SEIR流行病学模型中引入时变社交距离函数（SEIR-SD），并通过差分进化算法优化，以预测意大利、伦巴第大区和坎帕尼亚大区的COVID-19传播情况。模型估算出感染高峰日期及持续时间，结果显示：意大利的疫情高峰预计在4月3日左右，伦巴第大区在4月1日，坎帕尼亚大区在4月8日；在当前社交距离措施下，病例分别于6月17日、6月7日和6月3日左右降至接近零。

ABSTRACT

The aim of this paper consists in the application of a recent epidemiological model, namely SEIR with Social Distancing (SEIR--SD), extended here through the definition of a social distancing function varying over time, to assess the situation related to the spreading of the coronavirus Covid--19 in Italy and in two of its most important regions, i.e., Lombardy and Campania. To profitably use this model, the most suitable values of its parameters must be found. The estimation of the SEIR--SD model parameters takes place here through the use of Differential Evolution, a heuristic optimization technique. In this way, we are able to evaluate for each of the three above-mentioned scenarios the daily number of infectious cases from today until the end of virus spreading, the day(s) in which this number will be at its highest peak, and the day in which the infected cases will become very close to zero.

研究动机与目标

• 使用改进的SEIR模型，结合时变社交距离函数，对意大利及其关键区域的COVID-19动态传播进行建模。
• 利用意大利卫生部提供的真实世界数据，估算SEIR-SD模型的最准确参数。
• 在当前社交距离政策下，预测意大利、伦巴第大区和坎帕尼亚大区传染病例的峰值日期和持续时间。
• 评估不同社交距离水平对疫情演变的影响，为政策制定提供指导。

提出的方法

• 在SEIR模型中引入时变社交距离函数，以反映公共卫生干预措施的变化。
• 应用差分进化——一种机器学习中的启发式优化技术——通过最小化模型预测值与真实数据之间的均方根误差（RMSE），校准模型参数。
• 使用意大利卫生部公开发布的每日感染数据，在全国及区域层面进行模型校准。
• 采用基本再生数 R₀ = β/γ 来评估传播强度及模型敏感性。
• 求解描述SEIR-SD动态的常微分方程组：dS/dt = -β(t)·I·S/N，dE/dt = β(t)·I·S/N - σ·E，dI/dt = σ·E - γ·I，dR/dt = γ·I。
• 通过将模型预测的每日传染病例与意大利、伦巴第大区和坎帕尼亚大区的实际报告病例进行对比，验证模型准确性。

实验结果

研究问题

• RQ1 在意大利及其各地区，能够最好拟合观察到的COVID-19病例数据的最优时变社交距离函数是什么？
• RQ2 在当前社交距离政策下，意大利、伦巴第大区和坎帕尼亚大区的传染病例峰值将在何时出现？
• RQ3 在每个地区，传染病例需要多长时间才能降至接近零？
• RQ4 各地区估算的R₀值有何差异，这对传播动力学意味着什么？
• RQ5 模型预测准确性在多大程度上依赖于通过差分进化算法对参数的优化？

主要发现

• 在意大利，传染病例的峰值预计出现在4月3日左右，活跃感染人数约为78,322例。
• 在伦巴第大区，峰值预计出现在4月1日，感染人数约达25,914例，病例将在6月7日前后降至接近零。
• 在坎帕尼亚大区，峰值预计出现在4月8日，感染人数约为2,349例，疫情预计在6月3日前后消退。
• 模型实现了极低的RMSE值——伦巴第大区为7.9×10⁻⁹，坎帕尼亚大区为2.18×10⁻¹⁰，表明与真实数据拟合度极佳。
• 基本再生数R₀估算值为伦巴第大区3.9，坎帕尼亚大区4.5，表明尽管坎帕尼亚大区疫情爆发较晚，但传播性更高。
• 结果表明，持续的社交距离措施对延迟和降低疫情峰值至关重要，其实施时机与强度显著影响疫情结局。