[论文解读] Extracting the effective contact rate of COVID-19 pandemic

Gaurav Goswami, J. Prasad+1 more|arXiv (Cornell University)|Apr 16, 2020

COVID-19 epidemiological studies参考文献 21被引用 9

一句话总结

本文提出一种方法，通过使用改进的SEIR模型，从确诊病例的时间序列数据中提取COVID-19大流行期间的时间依赖有效接触率β(t)。通过从现实世界数据中重建β(t)，并应用平滑技术以消除不合理的负值和噪声，该方法能够稳健评估不同人群中缓解措施对传播动态的影响。

ABSTRACT

In the absence of any available vaccines or drugs, prevention of the spread of Coronavirus Disease 2019 (COVID-19) pandemic is being achieved by putting many mitigation measures in place. It is indispensable to have robust and reliable ways of evaluating the effectiveness of these measures. In this work, we assume that, at a very coarse-grained level of description, the overall effect of all the mitigation measures is that we can still describe the spread of the pandemic using the most basic Susceptible-Exposed-Infectious-Removed ($SEIR$) model but with an "effective contact rate" ($β$) which is time-dependent. We then use the time series data of the number of infected individuals in the population to extract the instantaneous effective contact rate which is the result of various social interventions put in place. This approach has the potential to be significantly useful while evaluating the impact of mitigation measures on the spread of COVID-19 in near future.

研究动机与目标

• 开发一种数据驱动方法，用于估计COVID-19大流行期间的瞬时有效接触率β(t)，并考虑动态缓解措施的影响。
• 解决从现实世界病例数据中原始重建β(t)时出现的不合理负值和噪声问题。
• 提供一种平滑的、具有物理可解释性的β(t)，以反映包括封锁和社交距离在内的社会干预措施的累积效应。
• 通过将β(t)与政策时间线关联，实现不同国家缓解策略的对比分析。
• 通过使用已知干预历史的β(t)来演化SEIR模型，支持近似未来疫情预测。

提出的方法

• 利用SEIR模型的微分方程，从确诊感染病例的时间序列数据中重建原始β(t)。
• 对观测到的发病率数据应用数值微分，以估计感染者数量的变化率，从而实现β(t)的反演。
• 识别出由于恢复率(γ)和潜伏期率(σ)估计中的噪声和不确定性，原始β(t)可能产生不合理的负值。
• 提出平滑技术（如移动平均或样条拟合），以生成无虚假波动、具有物理合理性的β(t)。
• 使用平滑后的β(t)向前演化SEIR方程，实现已知缓解政策下未来感染轨迹的预测。
• 通过将该方法应用于六个国家的确诊病例数据进行验证，证明了其可行性与鲁棒性。

实验结果

研究问题

• RQ1 如何从嘈杂的、现实世界的确诊COVID-19病例时间序列中可靠地提取有效接触率β(t)？
• RQ2 原始β(t)重建中不合理负值的成因是什么，如何进行校正？
• RQ3 平滑后的β(t)在多大程度上能准确反映包括封锁和社交距离在内的多种缓解措施的综合影响？
• RQ4 当已知缓解政策时，β(t)能否用于预测未来疫情轨迹？
• RQ5 不同国家的β(t)特征有何差异，它们对干预措施相对有效性提供了哪些启示？

主要发现

• 从病例数据中原始重建的β(t)常因γ和σ参数的噪声与不确定性而产生不合理的负值。
• 平滑技术显著减少了虚假波动并消除了负值，生成了具有物理可解释性的β(t)。
• 平滑后的β(t)可由一组少量参数描述，从而实现对不同人群缓解策略的高效比较。
• 该方法成功重建了六个国家的β(t)，证明了其在真实世界数据中的可行性。
• 重建的β(t)可支持SEIR动力学的可靠前向模拟，从而在已知政策情景下预测感染趋势。
• 该方法提供了一套粗粒度但稳健的框架，用于评估复杂且同时实施的缓解措施对疫情传播的影响。