[论文解读] First attempts to model the dynamics of the Coronavirus outbreak 2020

Thomas Götz|arXiv (Cornell University)|Feb 10, 2020

COVID-19 epidemiological studies被引用 5

一句话总结

本文使用世界卫生组织提供的数据，提出了早期的离散与连续数学模型，以模拟中国大陆2019-nCoV疫情的动态。该研究应用了指数模型、广义指数模型、非线性模型及改进的SIR模型，发现包含传播增长率降低的模型（如 β < 1 或分段 θ）比简单的指数模型更符合观测数据，并预测未来病例数更低。

ABSTRACT

Since the end of 2019 an outbreak of a new strain of coronavirus, called 2019--nCoV, is reported from China and later other parts of the world. Since January 21, WHO reports daily data on confirmed cases and deaths from both China and other countries. In this work we present some discrete and continuous models to discribe the disease dynamics in China and estimate the needed epidemiological parameters. Good agreement with the current dynamics has be found for both a discrete transmission model and a slightly modified SIR-model.

研究动机与目标

• 利用每日报告的病例与死亡数据，对中国大陆2019-nCoV的早期传播动态进行建模。
• 评估离散指数模型与广义模型在拟合实际病例数方面的表现。
• 对标准SIR模型进行调整，以反映干预措施导致的传播强度变化。
• 估计关键流行病学参数，如感染增长率、基本再生数R0和病死率。

提出的方法

• 采用离散指数模型：y_exp_{k+1} = (1 + r)y_exp_k，通过最小二乘法对累积病例的对数变换数据进行拟合。
• 引入广义模型：y_gen_{k+1} = (1 + c)(y_gen_k)^β，其中 β < 1，以反映增长放缓现象。
• 应用非线性模型：y_nl_{k+1} - y_nl_k = ρ(y_nl_k)^α，其中 α < 1，以模拟公众意识效应。
• 对标准SIR模型进行改进，引入时变感染力θ(t)，划分为隔离前与隔离后两个阶段。
• 通过最小二乘法拟合世卫组织报告的累积病例与死亡数据，估计参数（r, y0, β, c, ρ, α, θ1, θ2, ts, µ）。
• 对恒定与分段恒定θ模型，计算 R0 = θ / (µ + σ)，其中 σ = 1/14 天，µ 估计值为 2.09%。

实验结果

研究问题

• RQ1 简单的指数模型在多大程度上能描述2019-nCoV在中国的早期病例增长？
• RQ2 广义模型或非线性模型是否能更好地捕捉实际病例日增速度的减速现象？
• RQ3 在恒定与时变传播条件下，基本再生数R0的估计值是多少？
• RQ4 引入时变感染力是否能显著提升模型对真实数据的拟合效果？
• RQ5 基于早期累积死亡与感染数据，病死率的估计值是多少？

主要发现

• 离散指数模型的拟合结果为增长率 r̂ ≈ 0.304，初始病例 ŷ0 ≈ 451，决定系数 R² = 0.9484，但由于后期增长放缓，导致对后续病例的高估。
• 广义模型（Gen）在 β̂ = 0.904 与 ĉ = 2.02 条件下提供更优拟合效果，尤其在排除首组数据点后，预测的未来病例数更低。
• 非线性模型（NonLin）在 α̂ = 0.5794 与 ρ̂ = 10.1321 条件下，R² = 0.9287，表明后期新增感染数较指数增长显著减少。
• 采用分段恒定θ的SIR模型最终估计R0为3.31，基于隔离后的传播速率，与其它早期估计值（2.1–3.1）一致。
• 估计的病死率 µ̂ 为2.09%，与累积死亡与感染数据的观测结果高度一致。
• 分段恒定θ的SIR模型（模型2）在拟合真实数据方面显著优于恒定θ模型（模型1），尤其在隔离措施实施后表现更佳。