[论文解读] Impact studies of nationwide measures COVID-19 anti-pandemic: compartmental model and machine learning

Mouhamadou A. M. T. Baldé, Coura Baldé+1 more|arXiv (Cornell University)|May 17, 2020

COVID-19 epidemiological studies参考文献 3被引用 5

一句话总结

本研究使用改进的SIRU分 compartment 模型与机器学习技术，评估塞内加尔全国反 pandemic 措施的影响。该研究结合时变接触率模型与指数拟合，并利用 Wolfram Mathematica 的神经网络与 Prophet 工具进行预测，表明这些措施显著减缓了疫情的指数增长，干预后传播率降低。

ABSTRACT

In this paper, we deal with the study of the impact of nationwide measures COVID-19 anti-pandemic. We drive two processes to analyze COVID-19 data considering measures. We associate level of nationwide measure with value of parameters related to the contact rate of the model. Then a parametric solve, with respect to those parameters of measures, shows different possibilities of the evolution of the pandemic. Two machine learning tools are used to forecast the evolution of the pandemic. Finally, we show comparison between deterministic and two machine learning tools.

研究动机与目标

• 使用分 compartment 流行病模型评估塞内加尔全国反 pandemic 措施的有效性。
• 利用真实病例数据估计关键流行病学参数（接触率、康复率、死亡率）。
• 将政策干预的影响整合进具有时变接触率的动态传播模型中。
• 比较微分方程模型与机器学习工具（神经网络与 Prophet）的预测结果。
• 评估全国措施是否改变了塞内加尔疫情的指数增长轨迹。

提出的方法

• 使用改进的 SIRU 分 compartment 模型，包含四个 compartment：易感者（S）、无症状感染者（I）、未报告的有症状者（IU）与已报告的有症状者（IR）。
• 引入时变接触率 β(t)，在实施全国措施后下降，建模为 t > T 时的 β(T/t)^(δ/p)。
• 对 2020 年 3 月 2 日至 4 月 25 日的累计病例数据进行指数拟合（TNI(t) = b·exp(ct) − a），以估计初始增长动态。
• 利用指数拟合与感染个体随时间积分之间的关系，估计模型参数（β, ν, η, γ, α）。
• 应用机器学习工具——Wolfram Mathematica 的神经网络与 Prophet——预测未来疫情趋势，纳入干预影响。
• 使用下一代矩阵法推导基本再生数 R₀，考虑无症状与未报告传播。

实验结果

研究问题

• RQ1 塞内加尔全国反 pandemic 措施在多大程度上降低了 COVID-19 的有效传播率？
• RQ2 时变接触率模型在多大程度上能捕捉干预后病例增长的下降趋势？
• RQ3 机器学习模型（神经网络与 Prophet）的预测与 SIRU 分 compartment 模型在干预后的预测结果如何比较？
• RQ4 塞内加尔背景下关键流行病学参数（如 β, ν, η, γ）的估计值是多少？
• RQ5 该模型是否预测在实施国家措施后，疫情增长从指数型转为亚指数型？

主要发现

• 对 2020 年 3 月 2 日至 4 月 25 日累计病例的指数拟合得到参数 a = 99.9214，b = 81.325，c = 0.0371767，表明干预后增长速率降低。
• 模型估计初始增长速率 c = 0.0371767/天，对应约 18.6 天的翻倍时间（干预后）。
• 使用公式 β = (c + ν)(c + η) / [S₀(c + η + (1−γ)ν)]，估计接触率 β 为 0.042/天，其中 ν = 7 天⁻¹，η = 7 天⁻¹。
• 基本再生数 R₀ 计算为 1.28，表明传播持续存在，但较措施前水平显著降低。
• 神经网络与 Prophet 的机器学习预测均显示，自 4 月 25 日起病例增长明显放缓，支持模型关于措施有效性的结论。
• 模型表明，全国措施实施后，疫情轨迹从指数增长转为亚指数增长，新曲线位于干预前趋势之下。