[论文解读] Dynamical Theory and Cellular Automata Simulations of Pandemic Spread: Understanding Different Temporal Patterns of Infections

Saumyak Mukherjee, Sayantan Mondal+1 more|arXiv (Cornell University)|Apr 30, 2020

Mathematical and Theoretical Epidemiology and Ecology Models被引用 4

一句话总结

本文提出了一种广义的、非局部的SIR模型，引入时变传播率和人群异质性（高/低风险），以更好地捕捉大流行病传播的复杂时间动态，特别是针对COVID-19。通过求解耦合微分方程的数值方法和随机元胞自动机模拟，表明时变感染率和严格的居家隔离对准确建模感染高峰和控制疫情至关重要。

ABSTRACT

Here we propose and implement a generalized mathematical model to find the time evolution of population in infectious diseases and apply the model to study the recent COVID-19 pandemic. Our model at the core is a non-local generalization of the widely used Kermack-McKendrick(KM) model where the susceptible(S) population evolves into two other categories, namely infectives(I) and removed(R). This is the well-known SIR model in which we further divide both S and I into high and low risk categories. We first formulate a set of non-local dynamical equations for the time evolution of distinct population distributions under this categorization in an attempt to describe the general scenario of infectious disease progression. We then solve the non-linear coupled differential equations-(i) numerically by the method of propagation, and (ii) a more flexible and versatile cellular automata (CA) simulation which provides a coarse-grained description of the generalized non-local model. In order to account for multiple factors such as role of spreaders before containment, we introduce a time dependent rate which appears to be essential to explain the sudden spikes before the plateau observed in many cases (for example like China). We demonstrate how this generalized approach allows us to handle the effects of (i) time-dependence of the rate-constants of spread, (ii) different population density, (iii) the age ratio, (iv) quarantine, (v) lockdown, and (vi) social distancing. Our study allows us to make certain predictions regarding the nature of spread with respect to several external parameters, treated as control variables. Analysis of the model clearly shows that due to the strong heterogeneity in the epidemic process originating from the distribution of initial infectives, the theory must be local in character but at the same time connect to a global perspective.

研究动机与目标

• 为解决经典SIR模型在捕捉异质性和非均匀人群真实世界大流行动态方面的局限性。
• 研究时变传播率、人口密度、年龄分布以及封锁和社交距离等控制措施如何影响感染传播。
• 开发一种更具灵活性和现实性的建模框架，整合人口异质性和非局部传播效应。
• 通过动力学方程和随机模拟，评估居家隔离和社交距离等公共卫生干预措施的有效性。
• 通过将控制参数（如封锁时间、隔离依从性）与可观测结果（如感染高峰时间与规模）关联，为政策制定者提供预测工具。

提出的方法

• 提出Kermack-McKendrick SIR模型的非局部广义形式，将易感者（S）和感染者（I）人群划分为高风险和低风险子群。
• 建立描述S、I和R（治愈+死亡）人群随时间演化的非线性耦合微分方程组，其中传播率 $k_{S\rightarrow I}(t)$ 为时变函数。
• 使用传播方法对微分方程进行数值求解，以模拟各人群比例的时间演化。
• 实现一种随机元胞自动机（CA）模型，可在网格上模拟时空传播，引入时变传播概率 $P_{Tr}(t)$。
• 在CA框架中引入隔离依从性、社交距离和封锁时间等控制参数作为概率规则。
• 通过子人群间的守恒定律确保总人口保持恒定，反映模型中的人口约束条件。

实验结果

研究问题

• RQ1 在大流行病模型中，引入时变传播率如何影响感染曲线的形状和时间分布？
• RQ2 人口异质性（如年龄分布、初始人口密度和风险群体分布）在多大程度上影响传染病传播的预测结果？
• RQ3 根据动力学模拟和CA模拟，居家隔离和社交距离在推迟或降低感染高峰方面有多有效？
• RQ4 非局部广义SIR模型是否能更好地捕捉真实世界的大流行模式，例如中国等国家观察到的平台前突然激增的现象？
• RQ5 潜伏期在延迟检测和增加无症状携带者传播风险方面起什么作用？

主要发现

• 感染比例的时间演化强烈依赖于时变传播率，初始阶段由于缺乏意识传播率较高，随后随着公共卫生措施的实施而下降。
• 元胞自动机模拟表明，尽管社交距离可降低每次外出的传播风险，但对推迟感染高峰影响甚微，而有效的居家隔离则显著不同。
• 居家隔离被确定为最有效的干预措施，隔离人群比例对感染高峰的时间和高度具有主导影响。
• 较长的潜伏期会增加未被检测到的传播风险，因为无症状个体传染期更长，且更难被隔离。
• 模型的非线性结构放大了初始人群异质性的影响，特别是初始感染者的分布，使得准确预测对初始条件极为敏感。
• 动力学方程与CA模拟的结合提供了一个稳健的框架，能够同时捕捉疾病传播的宏观趋势和微观空间动态。