[论文解读] CoV-ABM: A stochastic discrete-event agent-based framework to simulate spatiotemporal dynamics of COVID-19

Masoud Jalayer, Carlotta Orsenigo+1 more|arXiv (Cornell University)|Jul 26, 2020

COVID-19 epidemiological studies参考文献 28被引用 11

一句话总结

CoV-ABM 是一种随机的、离散事件的基于代理的模型，通过追踪个体代理在不同地理尺度上的移动、互动和健康状态，使用 SEIHRD 动力学模拟 SARS-CoV-2 的时空传播。该模型整合了环境病毒持续存在性、真实的人口普查和健康数据，以及灵活的时间戳，以识别感染热点并评估干预措施，在 15 周内对拥有 100 万个代理的特拉华州进行了模拟，展示了医院超载情况及有效的缓解策略。

ABSTRACT

The paper develops a stochastic Agent-Based Model (ABM) mimicking the spread of infectious diseases in geographical domains. The model is designed to simulate the spatiotemporal spread of SARS-CoV2 disease, known as COVID-19. Our SARS-CoV2-based ABM framework (CoV-ABM) simulates the spread at any geographical scale, ranging from a village to a country and considers unique characteristics of SARS-CoV2 viruses such as its persistence in the environment. Therefore, unlike other simulators, CoV-ABM computes the density of active viruses inside each location space to get the virus transmission probability for each agent. It also uses the local census and health data to create health and risk factor profiles for each individual. The proposed model relies on a flexible timestamp scale to optimize the computational speed and the level of detail. In our framework each agent represents a person interacting with the surrounding space and other adjacent agents inside the same space. Moreover, families stochastic daily tasks are formulated to get tracked by the corresponding family members. The model also formulates the possibility of meetings for each subset of friendships and relatives. The main aim of the proposed framework is threefold: to illustrate the dynamics of SARS-CoV diseases, to identify places which have a higher probability to become infection hubs and to provide a decision-support system to design efficient interventions in order to fight against pandemics. The framework employs SEIHRD dynamics of viral diseases with different intervention scenarios. The paper simulates the spread of COVID-19 in the State of Delaware, United States, with near one million stochastic agents. The results achieved over a period of 15 weeks with a timestamp of 1 hour show which places become the hubs of infection. The paper also illustrates how hospitals get overwhelmed as the outbreak reaches its pick.

研究动机与目标

• 开发一个灵活且可扩展的基于代理的框架，用于模拟不同地理尺度下 SARS-CoV-2 传播的时空动态。
• 利用真实的人口普查和健康数据，整合环境病毒持续存在性以及个体层面的健康和风险因素特征。
• 通过人类移动和互动模式的随机模拟，识别出更可能成为感染枢纽的地点。
• 评估非药物干预措施（如自我隔离、社交距离和医院容量限制）对疫情结果的影响。
• 为政策制定者提供决策支持系统，以设计有效、数据驱动的干预措施，减轻疫情传播。

提出的方法

• 该模型采用随机离散事件仿真框架，使用灵活的时间戳尺度（例如 1 小时），以优化计算效率和细节表现。
• 每个代理代表一个具有独特健康状况（易感、潜伏、传染、住院、康复、死亡）的个体，基于 SEIHRD 动力学。
• 病毒传播概率基于每个位置的活性病毒局部密度计算，并整合了环境持续存在性。
• 工作、购物和家庭探访等日常活动通过随机方式建模，代理根据需求和距离被分配至家庭及特定地点。
• 社交互动通过友谊群体和亲属群体建模，会议由基于时间点和群体规模的概率规则触发。
• 医院设有容量限制，患者根据严重程度和可用性被分配至急诊或普通护理。

实验结果

研究问题

• RQ1 在给定区域内，哪些地点由于高代理互动频率和病毒持续存在性而最可能成为感染枢纽？
• RQ2 不同的非药物干预措施（如自我隔离、社交距离和医院容量限制）如何影响感染峰值人数和医院超载情况？
• RQ3 与直接人际传播相比，SARS-CoV-2 在环境中持续存在对传播动态的影响有多大？
• RQ4 个体风险因素（年龄、共病）和家庭结构如何影响疫情的传播和严重程度？
• RQ5 通过机场和港口的出行模式如何影响病毒在不同区域间的时空传播？

主要发现

• 该模型成功使用近一百万个随机代理、以 1 小时时间戳分辨率，在 15 周内模拟了特拉华州的 COVID-19 传播。
• 感染热点被识别为代理密度高且暴露时间长的地点，尤其集中在公共场所和商业区域。
• 在疫情高峰期，医院达到临界超载水平，患者向死亡或康复状态的转移率很高。
• 自我隔离措施显著降低了感染峰值人数，并延迟了医院压力的出现，支持其在“ flattening the curve”中的有效性。
• 纳入环境病毒持续存在性使原本被认为低风险的地点传播概率上升，凸显了表面污染的重要性。
• 该模型表明，在高风险地点和高风险个体（如老年人、有共病者）中实施有针对性的干预措施，比广泛统一的措施更能有效降低整体传播。