[论文解读] Data-Driven Control of the COVID-19 Outbreak via Non-Pharmaceutical Interventions: A Geometric Programming Approach

Mikhail Hayhoe, Francisco Barreras+1 more|arXiv (Cornell University)|Nov 3, 2020

COVID-19 epidemiological studies参考文献 43被引用 10

一句话总结

本文提出了一种数据驱动的最优控制框架，用于通过非药物干预（NPIs）减轻COVID-19疫情，特别是移动限制。通过将真实的人口流动和死亡数据整合到扩展的SEIR模型中，采用多任务学习方法，构建了一个基于几何规划的最优控制问题，以在尊重经济成本约束的前提下最小化累计死亡人数，在费城大都会区展示了其有效性。

ABSTRACT

In this paper we propose a data-driven model for the spread of SARS-CoV-2 and use it to design optimal control strategies of human-mobility restrictions that both curb the epidemic and minimize the economic costs associated with implementing non-pharmaceutical interventions. We develop an extension of the SEIR epidemic model that captures the effects of changes in human mobility on the spread of the disease. The parameters of our data-driven model are learned using a multitask learning approach that leverages both data on the number of deaths across a set of regions, and cellphone data on individuals' mobility patterns specific to each region. We propose an optimal control problem on this data-driven model with a tractable solution provided by geometric programming. The result of this framework is a mobility-based intervention strategy that curbs the spread of the epidemic while obeying a budget on the economic cost incurred. Furthermore, in the absence of a straightforward mapping from human mobility data to economic costs, we propose a practical method by which a budget on economic losses incurred may be chosen to eliminate excess deaths due to over-utilization of hospital resources. Our results are demonstrated with numerical simulations using real data from the Philadelphia metropolitan area.

研究动机与目标

• 开发一种数据驱动的流行病模型，利用真实世界的人口流动和死亡数据，捕捉人类流动对SARS-CoV-2传播的影响。
• 设计最优的非药物干预（NPIs），在尊重经济成本约束的前提下最小化累计死亡人数。
• 建立一种系统化的方法，为经济损失设定预算，以防止因过度使用NPIs而导致医疗系统超载。
• 通过几何规划实现可扩展、计算上可行的控制策略，为实时政策制定提供指导。

提出的方法

• 将SEIR模型扩展，增加潜伏期（E）、感染期（I）、无症状者（A）、住院患者（H）和死亡者（D）的 compartment，传播率受流动模式调节。
• 采用多任务学习框架，联合估计来自多个地理区域的区域死亡人数和流动数据的模型参数。
• 将传播率 β(𝐮(t)) 建模为流动变量 u(t) 的正单项式函数，从而支持几何规划的构建。
• 制定一个最优控制问题，以在有限时间范围内最小化累计死亡人数，同时满足经济成本预算约束。
• 将经济成本约束和目标函数转化为正单项式形式，从而可通过几何规划高效求解。
• 提出一种方法，确定经济预算阈值，以消除因医疗系统容量超载导致的额外死亡。

实验结果

研究问题

• RQ1 如何利用实时的人口流动和死亡数据，构建一个可预测的、数据驱动的SARS-CoV-2流行病模型？
• RQ2 何种最优的流动限制策略可在尊重经济成本约束的前提下最小化累计死亡人数？
• RQ3 如何为经济损失设定预算，以防止因过度使用NPIs而导致医疗系统崩溃？
• RQ4 几何规划能否有效用于求解流行病建模中的非凸、非线性最优控制问题？
• RQ5 在现实场景中，所提出的框架在多大程度上优于启发式或基于仿真的NPI策略？

主要发现

• 该数据驱动模型通过联合学习流动和死亡数据，准确预测了费城大都会区的日死亡和累计死亡人数。
• 几何规划的公式化方法尽管存在流行病动力学中的非线性，仍能实现高效、可计算的最优控制问题求解。
• 该框架成功平衡了流行病控制与经济成本，在遵守预设预算的同时减少了累计死亡人数。
• 所提出的经济预算设定方法能有效防止因医疗系统超载导致的额外死亡。
• 数值仿真表明，最优控制策略在减少死亡人数方面显著优于基线NPI政策。
• 模型的正单项式结构使得其可扩展至更复杂的、数据驱动的映射关系，如ReLU网络或分数幂次函数。