[论文解读] Information geometry and entropy in a stochastic epidemic rate process

C. T. J. Dodson|arXiv (Cornell University)|Mar 17, 2009

COVID-19 epidemiological studies参考文献 22被引用 6

一句话总结

本文通过引入McKay二元伽马分布来捕捉潜伏期与传染性期之间的相关性，扩展了随机流行病建模，实现了对流行病增长、非均匀性演化及熵衰减的显式解析解。研究发现，潜伏期的变异性会提高流行病增长速率，而传染性期的变异性则会降低其增长速率——即使在存在相关性的情况下，该结论依然成立。此外，本文还构建了一个可计算的信息几何框架，通过从指数参考过程出发的黎曼距离来量化流行病进展。

ABSTRACT

Epidemic models with inhomogeneous populations have been used to study major outbreaks and recently Britton and Lindenstrand \cite{BL} described the case when latency and infectivity have independent gamma distributions. They found that variability in these random variables had opposite effects on the epidemic growth rate. That rate increased with greater variability in latency but decreased with greater variability in infectivity. Here we extend their result by using the McKay bivariate gamma distribution for the joint distribution of latency and infectivity, recovering the above effects of variability but allowing possible correlation. We use methods of stochastic rate processes to obtain explicit solutions for the growth of the epidemic and the evolution of the inhomogeneity and information entropy. We obtain a closed analytic solution to the evolution of the distribution of the number of uninfected individuals as the epidemic proceeds, and a concomitant expression for the decay of entropy. The family of McKay bivariate gamma distributions has a tractable information geometry which provides a framework in which the evolution of distributions can be studied as the outbreak grows, with a natural distance structure for quantitative tracking of progress.

研究动机与目标

• 使用二元伽马分布对潜伏期与传染性期进行相关建模，以克服独立分布的局限性。
• 为流行病过程中未感染个体数量及信息熵的演化提供显式解析解。
• 构建一个可计算的信息几何框架，通过从指数参考过程出发的黎曼距离来量化流行病进展。
• 研究潜伏期与传染性期之间的相关性对马尔萨斯增长速率及流行病动力学的影响。
• 将Britton与Lindenstrand先前关于变异性影响的研究结果扩展至相关设定，同时保留其关于增长速率敏感性的核心洞见。

提出的方法

• 使用McKay二元伽马分布对潜伏期与传染性期的联合分布进行建模，允许两个随机变量之间存在相关性。
• 应用随机速率过程方法，推导出未感染个体分布随时间演化的闭式解析解。
• 利用McKay二元伽马分布族的信息几何方法，定义黎曼度量并计算从指数参考分布出发的信息距离。
• 基于联合分布，推导出马尔萨斯增长速率的显式表达式，其中包含二元伽马分布的形状与尺度参数。
• 通过费舍尔信息度量，计算信息熵随时间的衰减，作为流行病进展的伴随结果。
• 使用digamma函数及伽马函数的导数，以闭式表达信息距离，从而实现对参数空间的数值可视化。

实验结果

研究问题

• RQ1 潜伏期与传染性期之间的相关性如何影响流行病的马尔萨斯增长速率？
• RQ2 在存在相关性的情况下，变异性带来的相反效应（潜伏期方差增大导致增长速率上升，传染性期方差增大导致增长速率下降）是否依然成立？
• RQ3 在具有非均匀潜伏期与传染性期的随机流行病中，未感染个体数量的分布演化具有何种解析形式？
• RQ4 如何利用信息几何方法，通过从指数（泊松）参考过程出发的距离来量化流行病进展？
• RQ5 信息熵衰减的闭式表达式是什么？其与非均匀分布演化之间的关系如何？

主要发现

• 即使存在相关性，马尔萨斯增长速率仍随平均潜伏期与传染性期的增加而单调递减。
• 流行病增长速率随潜伏期变异性增大而提高，随传染性期变异性增大而降低，与Britton与Lindenstrand在独立情形下的发现一致。
• 推导出未感染个体分布随时间演化的闭式解析解，从而可精确追踪流行病动力学。
• 信息熵随时间单调衰减，其伴随表达式由随机速率过程与费舍尔信息度量推导得出。
• 从指数参考过程出发，推导出信息距离的显式公式（通过黎曼度量）——分别针对潜伏期（公式28）与传染性期（公式29）——实现了对不同流行病情景的定量比较。
• McKay二元伽马族支持一个可计算的信息几何框架，其可视化距离曲面（图7与图8）可表征潜伏期与传染性期相对于泊松过程的偏离程度。