[论文解读] Forecasting and evaluating intervention of Covid-19 in the World

Zixin Hu, Qiyang Ge+4 more|arXiv (Cornell University)|Mar 22, 2020

COVID-19 epidemiological studies参考文献 9被引用 25

一句话总结

本研究开发了一种受人工智能启发的改进型自编码器模型，利用截至2020年3月16日的世卫组织监测数据，预测并评估全球COVID-19传播动态。结果显示，若将公共卫生干预措施推迟一个月，峰值累计病例数将增加166.89倍，死亡人数将从53,560例增至890万例，凸显了立即采取行动以避免灾难性后果的紧迫性。

ABSTRACT

When the Covid-19 pandemic enters dangerous new phase, whether and when to take aggressive public health interventions to slow down the spread of COVID-19. To develop the artificial intelligence (AI) inspired methods for real-time forecasting and evaluating intervention strategies to curb the spread of Covid-19 in the World. A modified auto-encoder for modeling the transmission dynamics of the epidemics is developed and applied to the surveillance data of cumulative and new Covid-19 cases and deaths from WHO, as of March 16, 2020. The average errors of 5-step forecasting were 2.5%. The total peak number of cumulative cases and new cases, and the maximum number of cumulative cases in the world with later intervention (comprehensive public health intervention is implemented 4 weeks later) could reach 75,249,909, 10,086,085, and 255,392,154, respectively. The case ending time was January 10, 2021. However, the total peak number of cumulative cases and new cases and the maximum number of cumulative cases in the world with one week later intervention were reduced to 951,799, 108,853 and 1,530,276, respectively. Duration time of the Covid-19 spread would be reduced from 356 days to 232 days. The case ending time was September 8, 2020. We observed that delaying intervention for one month caused the maximum number of cumulative cases to increase 166.89 times, and the number of deaths increase from 53,560 to 8,938,725. We will face disastrous consequences if immediate action to intervene is not taken.

研究动机与目标

• 开发基于人工智能方法的实时预测与干预评估工具，用于全球COVID-19传播。
• 利用截至2020年3月16日的世卫组织累计与新增病例/死亡数据，建立SARS-CoV-2传播动态模型。
• 评估延迟公共卫生干预对疫情峰值、持续时间及病死率的影响。
• 量化将全面干预措施推迟一个月的后果。
• 为立即采取公共卫生行动以减轻疫情严重程度提供循证依据。

提出的方法

• 设计一种改进的自编码器架构，以模拟流行病传播的非线性动态。
• 使用截至2020年3月16日世卫组织报告的累计与新增病例及死亡人数对模型进行训练。
• 进行五步 ahead 预测，以评估预测准确度及干预影响。
• 通过将全面公共卫生措施推迟一周和四周，模拟不同干预情景。
• 模型输出包括不同干预时间线下的峰值累计与新增病例数、传播持续时间及病例结束时间。
• 误差分析显示，五步预测的平均预测误差为2.5%。

实验结果

研究问题

• RQ1 改进的自编码器在预测全球COVID-19病例与死亡趋势方面效果如何？
• RQ2 若干预延迟，疫情的峰值病例数与持续时间将如何变化？
• RQ3 若全面公共卫生干预措施推迟一个月，累计病例最大值将如何变化？
• RQ4 干预延迟将导致总死亡人数增加多少？
• RQ5 早期干预可将疫情峰值负担与持续时间减少多少？

主要发现

• 若全面公共卫生干预措施推迟一个月，累计病例最大值将增加166.89倍，从150万例增至2.554亿例。
• 新增病例峰值从一周延迟时的108,853例增至四周延迟时的10,086,085例。
• 疫情持续时间从一周延迟时的232天延长至四周延迟时的356天。
• 病例结束时间从一周延迟时的2020年9月8日推迟至四周延迟时的2021年1月10日。
• 若干预措施推迟一个月，总死亡人数将从53,560例增至8,938,725例。
• 该模型在五步 ahead 全球病例趋势预测中实现了2.5%的平均误差。