[论文解读] Mutual Feedback Between Epidemic Spreading and Information Diffusion

Xiu‐Xiu Zhan, Chuang Liu+4 more|arXiv (Cornell University)|Jun 12, 2015

Complex Network Analysis Techniques参考文献 42被引用 3

一句话总结

本文提出了一种数学模型，整合了SIS流行病传播与信息扩散，以研究二者之间的相互反馈效应。通过成对近似和仿真，结果表明信息扩散提高了流行病阈值，减少了最终感染人数，并减缓了传播速度——突显了持续公众意识在防止疫情卷土重来方面的重要作用，即使在疫情看似得到控制之后亦是如此。

ABSTRACT

The impact that information diffusion has on epidemic spreading has recently attracted much attention. As a disease begins to spread in the population, information about the disease is transmitted to others, which in turn has an effect on the spread of disease. In this paper, using empirical results of the propagation of H7N9 and information about the disease, we clearly show that the spreading dynamics of the two-types of processes influence each other. We build a mathematical model in which both types of spreading dynamics are described using the SIS process in order to illustrate the influence of information diffusion on epidemic spreading. Both the simulation results and the pairwise analysis reveal that information diffusion can increase the threshold of an epidemic outbreak, decrease the final fraction of infected individuals and significantly decrease the rate at which the epidemic propagates. Additionally, we find that the multi-outbreak phenomena of epidemic spreading, along with the impact of information diffusion, is consistent with the empirical results. These findings highlight the requirement to maintain social awareness of diseases even when the epidemics seem to be under control in order to prevent a subsequent outbreak. These results may shed light on the in-depth understanding of the interplay between the dynamics of epidemic spreading and information diffusion.

研究动机与目标

• 研究信息扩散如何影响人类群体中流行病传播的动力学。
• 建立疾病传播与意识传播之间双向反馈的模型。
• 分析由信息引发的行为改变对流行病阈值和传播速率的影响。
• 利用真实H7N9数据验证模型，特别是针对多波疫情现象。
• 为在疫情看似受控时仍保持公众意识提供洞见，以防止疫情卷土重来。

提出的方法

• 在复杂网络上构建疾病与信息传播的耦合SIS模型。
• 引入状态变量以追踪共感染和意识水平（S+、S−、I+、I−），表示个体的感染与意识状态。
• 使用成对近似推导出描述节点对随时间演化的15个微分方程组。
• 引入传播率β和σ、恢复率γ、由意识引发的行为改变率α，以及信息传播率λ。
• 在联网人群中仿真该模型，以分析阈值变化与最终疫情规模。
• 将结果与真实H7N9疫情数据对比，特别关注多波疫情现象的发生。

实验结果

研究问题

• RQ1 信息扩散如何影响人群中的流行病阈值？
• RQ2 信息在多大程度上减少了最终感染个体的比例？
• RQ3 信息如何影响流行病传播的速度？
• RQ4 该模型能否再现真实疫情（如H7N9）中观察到的多波疫情模式？
• RQ5 持续的公众意识在防止疫情卷土重来方面起到何种作用？

主要发现

• 信息扩散提高了流行病阈值，使得即使在较高传播率下，疫情爆发的可能性也降低。
• 由于信息引发的行为改变，最终感染个体的比例显著减少。
• 信息扩散的反馈作用显著减缓了流行病传播的速度。
• 该模型成功再现了真实H7N9数据中观察到的多波疫情现象。
• 即使疫情看似已受控制，持续的公众意识对于防止后续疫情暴发仍至关重要。
• 相互反馈机制解释了为何一些疫情在传播率较低时仍会因暂时下降后再次出现。