[论文解读] COVID-19: A model for studying the evolution of contamination in Brazil

Rodrigo A. Schulz, Carlos H. Coimbra-Araújo+1 more|arXiv (Cornell University)|Mar 31, 2020

COVID-19 epidemiological studies被引用 14

一句话总结

本文提出一种改进的SIR模型，用于研究巴西COVID-19的传播，引入了由于社交距离以及出生/死亡率导致的动态人群易感性。该模型预测，未来疫情结果（感染人数从数千到数千万不等）在很大程度上取决于社会行为和防控措施，且随着时间推移，需要更严格的隔离措施才能抑制传播。

ABSTRACT

In the present article we introduce an epidemiological model for the investigation of the spread of epidemics caused by viruses. The model is applied specifically to COVID-19, the disease caused by the SARS-Cov-2 virus (aka "novel coronavirus"). The SIR (Susceptible - Infectious - Recovered) model is used as a basis for studying the evolution of the epidemic. Nevertheless, we have modified some of the model hypotheses in order to obtain an estimate of the contamination free of overestimated predictions. This extended model is then applied to the case of the recent advance of the epidemic in Brazil. In this regard, it is possible to obtain the evolution for the number of infectious significantly close to that provided by current data. Accordingly, we evaluate possible future scenarios for the disease spread. Regarding the population susceptibility, we consider different social behaviors in response to quarantine measures and precautions to avoid contagion. We conclude that the future scenario of the epidemic depends significantly on the social behavior adopted to date, as well as on the contagion control measures. The extent of such measures would be likely to cause thousands, millions or tens of millions of contaminations in the next few months.

研究动机与目标

• 开发一种改进的SIR模型，以考虑巴西社交距离导致的动态人群易感性变化。
• 将随时间变化的出生率和死亡率纳入SIR框架，以提升国家层面流行病建模的真实性。
• 评估不同社会行为水平和隔离依从性对巴西未来疫情情景的影响。
• 提供基于数据的预测，以支持公共卫生政策制定，并提高公众对个体行为对疫情控制影响的认识。
• 通过从观察到的传播趋势推导出的可量化社会限制强度指标kτ，评估隔离措施的有效性。

提出的方法

• 通过修改经典SIR模型中所有个体初始均易感的假设，引入随时间变化的易感性降低机制，以反映社交隔离的影响。
• 引入一个随时间变化的参数ρ(τ)，表示在时间τ时采取社交隔离的人口比例，从而降低有效接触率。
• 定义控制参数kτ = 1 − ρ₀(1 − Δρ)^τ，以估算为阻止传播所需达到的隔离强度，其中ρ₀为初始隔离率，Δρ为每日隔离依从性的增长量。
• 使用微分方程建模S(t)、I(t)和R(t)随时间的演变，其中传播项修改为：dI/dt = [αI(t)S(t)(1 − ρ(τ) − kτ)]/N − βI(t)。
• 利用巴西早期疫情阶段（2020年3月至4月）的实时数据（包括确诊病例和死亡人数）对模型进行校准。
• 通过改变kτ和ρ(τ)模拟未来情景，以在不同社会行为假设下预测感染轨迹。

实验结果

研究问题

• RQ1 将随时间变化的社交隔离行为纳入模型后，对巴西SARS-CoV-2疫情预测轨迹有何影响？
• RQ2 为抑制传播所需达到的隔离强度（kτ）是多少？该值如何随时间变化？
• RQ3 在将SIR模型应用于巴西时，出生率和死亡率在多大程度上影响疫情动力学？
• RQ4 对社会行为的不同假设如何导致未来累计感染人数出现显著差异？
• RQ5 改进的SIR模型能否在新兴疫情的早期阶段提供与现实数据相符的可靠短期预测？

主要发现

• 该模型生成的感染曲线与巴西早期疫情阶段的实际数据高度吻合，验证了其预测准确性。
• 截至2020年3月25日（疫情开始后第28天），估算所需隔离强度为k₂₈ ≈ 0.76，方可抑制传播。
• 截至2020年4月10日（疫情开始后第44天），所需隔离强度上升至k₄₄ ≈ 0.88，表明随时间推移需实施更严格的防控措施。
• 模型显示，若缺乏有效的社交距离措施，巴西疫情可能在数月内导致数千万例感染。
• 结果表明，未来疫情结局对当前社会行为极为敏感，严重和受控两种情景均有可能实现。
• 该模型支持持续隔离政策的科学依据，并强调公众意识在控制疫情传播中的重要性。