[论文解读] Modelos SIR modificados para la evoluci\'on del COVID19

Nana Cabo Bizet, Alejandro Cabo Montes de|arXiv (Cornell University)|Apr 23, 2020

COVID-19 epidemiological studies参考文献 5被引用 4

一句话总结

本文提出改进的SIR模型，采用时变感染率β*(t)以预测古巴及其他国家的新冠肺炎动态。通过将感染率β*(t)建模为隔离开始后呈指数下降——在疾病平均持续时间（1/γ）内趋近于零——该模型能准确拟合德国的数据，并预测若2020年5月中旬实施严格隔离，古巴的活跃病例峰值将达1,000至2,000例，其关键洞见为有效控制需满足β* − γ < 0（即R₀ < 1）。

ABSTRACT

We study the SIR epidemiological model, with a variable contagion rate, applied to the evolution of COVID19 in Cuba. It is highlighted that an increase in the predictive character depends on understanding the dynamics for the temporal evolution of the rate of contagion $\\beta^*$. A semi-empirical model for this dynamics is formulated, where reaching $\\beta^*\\approx0$ due to isolation is achieved after the mean duration of the disease $\ au=1/\\gamma$, in which the number of infected in the confined families has decreased. It is considered that $\\beta^*(t)$ should have an abrupt decrease on the day of initiation of confinement and decrease until canceling at the end of the interval $\ au$. The analysis describes appropriately the infection curve for Germany. The model is applied to predict an infection curve for Cuba, which estimates a maximum number of infected as less than 2000 in the middle of May, depending on the rigor of the isolation. This is suggested by the ratio between the daily detected cases and the total. We consider the ratio between the observed and real infected cases (k) less than unity. The low value of k decreases the maximum obtained when $\\beta^*-\\gamma&gt;0$. The observed evolution is independent of k in the linear region. The value of $\\beta^*$ is also studied by time intervals, adjusting to the data of Cuba, Germany and South Korea. We compare the extrapolation of the evolution of Cuba with the contagion rate until 16.04.20 with that obtained by a strict quarantine at the end of April. This model with variable $\\beta^*$ correctly describes the observed infected evolution curves. We emphasize that the desired maximum of the SIR infected curve is not the maximum standard with constant $\\beta^*$, but one achieved due to quarantine when $\ ilde R_0=\\beta^*/\\gamma&lt;1$. For the countries controlling the epidemic the maxima are in the region in which SIR equations are linear.

研究动机与目标

• 通过引入反映现实干预措施的时间依赖感染率β*(t)，提升SIR模型对新冠肺炎疫情的预测能力。
• 分析k（观察到的感染人数与总感染人数之比）对非线性SIR系统中峰值感染估计的影响。
• 确定在何种条件下，即使k < 1，观察到的感染曲线仍保持线性可缩放，从而实现可靠预测。
• 通过分析古巴、德国和韩国的真实数据中β*(t)和R₀的演变，评估隔离措施的有效性。
• 证明有效疫情控制的关键在于β* − γ < 0（即R₀ < 1），而不仅仅是降低峰值，并利用实证数据量化该临界阈值。

提出的方法

• 构建半经验模型，其中β*(t)在隔离开始后迅速下降，并在τ = 1/γ（15–20天）内衰减至零，即疾病的平均持续时间。
• 将具有时变β*(t)的改进SIR模型应用于德国、古巴和韩国的日活跃病例数据进行拟合。
• 采用分段常数β*近似方法，在不同时间段内拟合数据，并外推不同隔离时间情景下的未来趋势。
• 引入缩放因子k = 观察到的感染人数 / 总感染人数，以反映漏报情况，并分析其对峰值预测的影响。
• 定义有效基本再生数R₀ = β*/γ，并要求R₀ < 1以实现疫情控制，利用日度数据监测β*和γ的变化。
• 比较4月16日与4月底实施隔离的模型预测结果，评估政策对峰值出现时间与规模的影响。

实验结果

研究问题

• RQ1 时变感染率β*(t)在隔离后下降，如何提升SIR模型对真实世界新冠肺炎数据的预测准确性？
• RQ2 在非线性SIR模型中，漏报（k < 1）对活跃感染峰值预测有何影响？
• RQ3 在何种条件下，SIR系统仍近似保持线性，使得观察到的感染人数与康复人数的预测可独立于k？
• RQ4 该模型能否基于隔离实施日期和β*动态，预测古巴感染峰值的出现时间和规模？
• RQ5 实现R₀ < 1（即β* − γ < 0）在多大程度上决定了实际峰值规模，而非标准SIR模型的最大值？

主要发现

• 在τ = 1/γ内使β*(t)衰减至零的半经验模型，成功再现了德国的感染曲线。
• 若2020年5月中旬实施严格隔离，该模型预测古巴的活跃病例峰值为1,000至2,000例。
• 模型预测，若隔离延迟（如4月底），峰值将推迟至6月初，且最大值可能升至数千例。
• 若缺乏有效控制，且当前β* − γ > 0（R₀ ≈ 1.92），模型预测到2020年9月将出现20,000例重症病例的峰值。
• 当R₀ < 1时，观察到的感染曲线仍保持线性可缩放，即在此条件下，观察到的病例峰值预测与k无关。
• 该模型证实，真实疫情峰值并非标准SIR模型的最大值（N），而是一个更低的数值，仅在R₀ < 1（即有效隔离）时才能实现。