[论文解读] Optimal Lockdown for Pandemic Stabilization

Qiang Ma, Liu Y+1 more|arXiv (Cornell University)|Oct 24, 2020

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种最优非均匀封锁策略，通过在最小化经济干扰的同时以预定速率将感染病例降至零，以实现对大流行的稳定。基于网络化的流行病模型——包括SIS、SIR、SEIR以及一种新型的具有显性/无症状传播的COVID-19模型——该研究提出了两种高效算法：一种在边数上呈线性复杂度，另一种在节点数上呈三次方复杂度，两者均可用于计算最优封锁措施。一个关键的反直觉发现是，基于纽约州县际间通勤数据，在2020年4月，最优封锁策略反而要求纽约市以外的地区实施比市内更严格的限制措施，尽管城市内的感染病例数更高。

ABSTRACT

We consider the problem of pandemic stabilization through a non-uniform lockdown, where our goal is to reduce economic activity as little as possible while sending the number of infected patients to zero at a prescribed rate. We consider several different models of epidemic spread over networks, including SIS/SIR/SEIR models as well as a new model of COVID-19 transmissions with symptomatic and asymptomatic individuals. We provide two efficient algorithms which can efficiently compute the optimal lockdown, with one of our algorithms having a running time which explicitly scales only linearly in the number of edges in the network and is applicable to the vast majority of epidemic models we have tested. Our second algorithm has an explicit scaling which is cubic in the number of nodes in the network, but is applicable without any assumptions. We further demonstrate a number of previously-unknown counter-intuitive phenomena by numerically computing the optimal lockdown on a number of test cases. For example, we show that in a variety of random graph models, node centrality and population have little effect on the value of a lockdown at a node unless they take on extreme values. Most surprisingly, we use publicly available data on inter-county travel frequencies to analyze a model of COVID-19 spread in the 62 counties of New York State; we compute that an optimal stabilizing shutdown based on the state of the epidemic in April 2020 would have reduced activity more stringently outside of New York City compared to within it, even though the epidemic was much more prevalent in New York City at that point.

研究动机与目标

• 在以预定速率将感染病例降至零的同时，最小化经济干扰，以实现大流行的稳定。
• 为在多种流行病网络模型中计算最优封锁政策，开发高效算法。
• 研究网络结构、节点中心性及人口规模如何影响最优封锁强度。
• 利用真实县际间移动数据，评估最优封锁政策的实际影响。

提出的方法

• 将最优封锁问题建模为网络化流行病动力学上的约束优化问题，采用SIS/SIR/SEIR模型及一种新型显性/无症状传播模型。
• 开发第一种算法，其复杂度在边数上呈线性，适用于大多数测试的流行病模型。
• 开发第二种算法，其复杂度在节点数上呈三次方，无需模型假设，具有普适性。
• 在随机图模型和纽约州真实县际间通勤数据上进行数值模拟，以计算最优封锁措施。
• 应用最优控制理论原则，推导出在每个节点上封锁强度最小化经济成本并实现流行病稳定化的条件。
• 利用公开可获取的移动数据，对纽约州62个县之间的传播动态进行建模，并计算区域特定的封锁策略。

实验结果

研究问题

• RQ1 在联网流行病模型中，最优封锁强度如何随网络中不同节点的变化而变化，特别是与节点中心性和人口规模的关系如何？
• RQ2 能否开发出高效算法，以实现与网络规模呈有利扩展关系的最优非均匀封锁计算？
• RQ3 当将最优封锁策略应用于真实世界移动数据（如纽约州）时，会涌现出哪些反直觉的模式？
• RQ4 无症状传播的存在如何影响最优封锁政策的结构？
• RQ5 在最优控制下，局部传播流行率越高是否必然意味着该地区需实施更严格的封锁？

主要发现

• 在随机图模型中，节点中心性和人口规模对最优封锁强度的影响极小，仅在极端值时显著。
• 2020年4月，纽约州最优封锁策略要求农村县的限制措施比纽约市更严格，尽管城市内感染病例数更高。
• 边数线性复杂度的算法可高效处理大规模网络，适用于大多数测试的流行病模型。
• 三次方复杂度算法无需模型特定假设，提供通用解法，确保广泛应用。
• 本研究发现，最小化经济成本并不等同于优先针对感染最严重的地区实施封锁，这与常规直觉相悖。
• 最优封锁政策对区域间移动模式极为敏感，凸显了交通数据在政策设计中的重要性。