[论文解读] Modeling disease spreading with adaptive behavior considering local and global information dissemination

Xinwu Qian, Jiawei Xue+1 more|arXiv (Cornell University)|Aug 25, 2020

Complex Network Analysis Techniques参考文献 19被引用 4

一句话总结

本文提出一种基于异质平均场（HMF）分析的多层网络模型，用于研究传染病传播（SIS模型）与基于局部观察和全局信息的自适应人类行为（UA-SIS模型）的共演化。研究发现，信息传播显著提高了疾病阈值，增强了网络的鲁棒性并促进群体免疫，尤其在地铁系统等大规模网络中表现明显。

ABSTRACT

The study proposes a modeling framework for investigating the disease dynamics with adaptive human behavior during a disease outbreak, considering the impacts of both local observations and global information. One important application scenario is that commuters may adjust their behavior upon observing the symptoms and countermeasures from their physical contacts during travel, thus altering the trajectories of a disease outbreak. We introduce the heterogeneous mean-field (HMF) approach in a multiplex network setting to jointly model the spreading dynamics of the infectious disease in the contact network and the dissemination dynamics of information in the observation network. The disease spreading is captured using the classic susceptible-infectious-susceptible (SIS) process, while an SIS-alike process models the spread of awareness termed as unaware-aware-unaware (UAU). And the use of multiplex network helps capture the interplay between disease spreading and information dissemination, and how the dynamics of one may affect the other. Theoretical analyses suggest that there are three potential equilibrium states, depending on the percolation strength of diseases and information. The dissemination of information may help shape herd immunity among the population, thus suppressing and eradicating the disease outbreak. Finally, numerical experiments using the contact networks among metro travelers are provided to shed light on the disease and information dynamics in the real-world scenarios and gain insights on the resilience of transportation system against the risk of infectious diseases.

研究动机与目标

• 建立传染病传播与信息传播共演化过程的模型。
• 探究自适应人类行为（受局部观察与全局信息影响）在交通网络中对疾病传播动力学的影响。
• 基于多层网络框架，分析信息对疾病阈值与网络鲁棒性的影响。
• 使用真实地铁接触网络验证模型，并评估其对公共卫生与交通系统鲁棒性的启示。

提出的方法

• 采用包含两层的多层网络：一层为传染病传播的接触网络（SIS模型），另一层为信息传播的观察网络（UA-SIS模型）。
• 应用异质平均场（HMF）方法，解析推导疾病与意识传播的平衡状态及阈值条件。
• 将自适应行为建模为对局部症状（来自接触者的观察）和全局警报（如媒体、社交媒体）的响应。
• 在真实地铁乘客接触网络上进行数值实验，模拟不同条件下疾病与信息的动态演化。
• 分析疾病阈值随网络规模的变化趋势，比较SIS与UA-SIS模型以评估系统鲁棒性。
• 基于阈值分析，识别出三种稳定的平衡状态，依据疾病与信息的渗透强度确定。

实验结果

研究问题

• RQ1 传染病传播与信息传播的共演化如何影响疫情的稳定性和阈值？
• RQ2 局部观察与全局信息在流行期间如何塑造自适应人类行为？
• RQ3 疾病与意识传播动力学的相互作用如何影响群体免疫的出现？
• RQ4 网络规模与拓扑结构（尤其是如地铁系统这类无标度网络）对疾病阈值有何影响？
• RQ5 在大规模连通网络中，信息传播在多大程度上可延迟或抑制疾病爆发？

主要发现

• 模型识别出三种稳定的平衡状态——无病状态、地方性流行状态与意识驱动的无病状态，具体取决于疾病与信息的渗透强度。
• 信息传播显著提高了疾病阈值，尤其在大规模网络中，可延迟或防止大规模疫情爆发。
• 在大型地铁接触网络（MCN）中，SIS模型下由于度方差发散，疾病阈值衰减至零，使系统高度脆弱。
• 在UA-SIS模型下，疾病阈值比SIS模型高出数个数量级，表明即使局部意识水平极低，也能显著提升网络鲁棒性。
• 意识传播速度高于疾病传播，且两者增长率呈正相关，存在时间滞后，该滞后在地方性流行状态下更短。
• 动态分析表明，当意识水平较高时，疾病要么几乎被根除，要么已进入稳定的地方性流行状态，与真实世界数据（如Google流感趋势和患者就诊数据）一致。