[论文解读] Human-Human interaction: epidemiology

Andrzej Jarynowski|arXiv (Cornell University)|Mar 28, 2013

COVID-19 epidemiological studies参考文献 10被引用 3

一句话总结

本文提出了一种基于代理的模拟方法，用于建模人类驱动的疾病传播，强调社交网络和行为响应。该研究展示了如何通过建模现实世界中的人类互动（特别是在2009年H1N1大流行背景下）来预测疫情传播并评估疫苗接种等政策干预措施，实现了对2009/2010年季节的实时预测能力。

ABSTRACT

The aim of this work was to show few examples and few perspective of modeling in epidemiology. We began with differential equations which were a first tool to describe and predict that phenomena. Wroclaw as a cite was very important, because statistics from smallpox epidemic were used by Bernoulli to estimate parameters of first mathematical model of epidemic. Next step were SIR models and those also appeared first as differential equations. They were very popular in begin of XX century. When computer simulation changed the world of mathematical modeling agent-based models gave more possibilities in epidemiology. That models have a big privilege on differential equation, because of information of social network people habits and reaction on infections, which can me involved in agent-based models as well as governmental intervention. We showed in this work how that human relations are important in transmitting diseases and there is example, where it is possible to conduct experiments of significant policy relevance (vaccinating), such as investigating the initial growth of an epidemic on a real-world network. Presented H1N1 model could be observed in real time (prediction was made in September 2009 for winter season 2009/2010) what make it more exiting and also practice.

研究动机与目标

• 阐明人类社交网络在塑造疾病传播动态中的作用。
• 展示基于代理的模型如何通过整合行为和网络层面的复杂性，改进传统微分方程模型。
• 通过现实的疫情传播模拟，评估公共卫生干预措施（如疫苗接种）的影响。
• 利用实证数据和网络结构，为2009年H1N1大流行提供实时预测模型。
• 突出弗罗茨瓦夫天花数据在早期数学流行病学发展中所具有的历史意义。

提出的方法

• 利用基于代理的建模方法，模拟个体层面的人类互动及在社交网络中的疾病传播。
• 整合现实世界中的网络结构，以表示人类接触模式，从而实现更精确的传播建模。
• 在模拟框架中纳入对感染和政府干预措施（如疫苗接种）的行为响应。
• 利用弗罗茨瓦夫天花流行的历史数据校准早期数学模型。
• 采用SIR（易感-感染-康复）分 compartment 模型作为基础工具，后通过基于代理的扩展加以完善。
• 利用2009年H1N1大流行的实时数据，验证并优化2009/2010年季节的预测模拟。

实验结果

研究问题

• RQ1 社交网络结构在多大程度上影响人类群体中传染病的传播？
• RQ2 与传统微分方程模型相比，基于代理的模型在疫情预测方面能提升多少？
• RQ3 在现实的人类接触网络中，有针对性的疫苗接种策略对疫情初期传播速度的影响如何？
• RQ4 能否通过基于代理的模拟，有效实现对正在进行中的疫情（如2009年H1N1）的实时建模？
• RQ5 历史上天花流行的数据如何促进了流行病学基础数学模型的发展？

主要发现

• 具备现实社交网络的基于代理的模型在捕捉复杂传播动态方面优于传统微分方程模型。
• 2009年H1N1模型成功用于2009/2010年冬季季节的实时预测，展示了其实际政策相关性。
• 人类行为和网络结构显著影响疫情传播的速度与规模，尤其是在传播初期阶段。
• 可在模拟中有效评估疫苗接种策略，表明若早期实施有针对性的干预措施，可有效减缓疫情增长。
• 弗罗茨瓦夫天花流行的历史数据为伯努利的基础数学模型提供了关键参数，该模型描述了疾病传播。
• 将政府干预政策整合到基于代理的模型中，可实现公共卫生规划的情景分析。