[论文解读] Optimal vaccination strategies for COVID-19 based on dynamical social networks with real-time updating

Sibo Cheng, Rossella Arcucci+2 more|arXiv (Cornell University)|Feb 19, 2021

COVID-19 epidemiological studies被引用 4

一句话总结

本研究提出一种基于数据同化的时间序列网络更新方法，以在接触网络动态变化、数据有限且存在噪声的条件下优化新冠疫苗接种策略。通过整合实时时间信息以细化网络结构，该方法识别出度数高或中心性高的个体作为优先接种对象，显著提升了在真实和合成网络中的SIR模型模拟中，相较于标准或随机策略的疫苗接种效果。

ABSTRACT

Vaccination strategy is crucial in fighting against the COVID-19 pandemic. Since the supply is limited, contact network-based interventions can be most powerful to set an optimal strategy by identifying high-risk individuals or communities. However, due to the high dimension, only partial and noisy network information can be available in practice, especially for dynamical systems where the contact networks are highly time-variant. Furthermore, numerous mutations of SARS-CoV-2 impact considerably the current infectious probability, requiring real-time network updating algorithms. In this study, we propose a sequential network updating approach based on data assimilation techniques to combine different sources of temporal information. We then prioritise the individuals with high-degree or high-centrality, obtained from the assimilated networks, for vaccination. The assimilation-based approach is compared with the standard method (based on partially observed networks) and a random selection strategy in terms of vaccination effectiveness in a SIR model. The numerical comparison is first carried out using real-world face-to-face dynamical networks collected in a high school, following by sequential multi-layer networks, generated relying on the Barabasi-Albert model emulating the department of Computing at Imperial College London in the UK as an example.

研究动机与目标

• 解决新冠疫情期间动态、时变社交网络中接触网络数据有限且存在噪声的挑战。
• 开发一种实时网络更新机制，整合时间数据以改进疫苗接种策略设计。
• 评估基于动态真实世界与合成网络的疫苗接种优先策略的有效性。
• 比较所提出的同化策略与标准部分网络及随机疫苗接种方法在疫情控制方面的表现。

提出的方法

• 本研究采用数据同化技术，利用实时时间观测数据，对动态接触网络进行顺序更新。
• 整合多个来源的部分且存在噪声的网络数据，以估计更准确、随时间演化的网络结构。
• 从同化后的网络中识别出度数高或中心性高的个体，作为疫苗接种的优先目标。
• 在真实世界面对面互动网络和通过Barabasi-Albert模型生成的合成多层网络上，使用随机SIR模型评估疫苗接种策略。
• 同化过程实现了网络拓扑的持续优化，从而随时间提升风险评估的准确性。
• 该方法在一所高中的实证数据和模拟英国大学系的合成网络上进行了验证。

实验结果

研究问题

• RQ1 通过数据同化实现实时网络更新，在动态、部分观测的系统中，如何提升接触网络估计的准确性？
• RQ2 与基于标准网络和随机疫苗接种方法相比，同化策略的相对有效性如何？
• RQ3 网络中心性与度数在控制疫情传播的靶向疫苗接种中发挥何种影响？
• RQ4 接触网络的动态特性在多大程度上影响静态或延迟网络疫苗接种策略的性能？
• RQ5 在数据有限且存在噪声的条件下，所提出方法能否保持高疫苗接种有效性？

主要发现

• 基于同化的疫苗接种策略在减小疫情规模方面，显著优于使用部分观测网络的标准方法和随机接种。
• 基于同化网络结构的优先策略——尤其是针对度数高和中心性高的个体——能更有效地遏制疾病传播。
• 该方法通过持续更新网络估计，在数据有限且存在噪声的条件下仍保持高性能。
• 在真实世界高中接触网络的模拟中，同化方法在疫情控制方面优于基线策略。
• 在模拟大学系的合成多层网络中，该方法在不同网络拓扑下均表现出鲁棒性和可扩展性。
• 结果证实，实时网络更新可提升风险识别的精确度，直接转化为更优的疫苗接种结果。