[论文解读] Path Integral Control in Infectious Disease Modeling

Paramahansa Pramanik|arXiv (Cornell University)|Nov 2, 2023

COVID-19 epidemiological studies被引用 4

一句话总结

本文提出了一种路径积分控制框架，用于优化传染病缓解策略，将封锁时机与强度建模为随机控制策略。通过应用统计物理的原理，该方法识别出能最小化疾病传播同时减少长期社会与经济破坏的近似最优干预时间表。

ABSTRACT

COVID-19, a global pandemic of unprecedented scale, has had a profound impact on nations worldwide, resulting in the tragic loss of nearly 1.1 million lives in the United States and a staggering 7 million worldwide. In the absence of effective vaccines, governments across the globe resorted to the implementation of lockdown measures as a vital strategy to mitigate the virus's relentless spread. While these restrictions were widely enforced, crucial sectors like public health and safety remained operational, ensuring the continuity of essential services. The timing and stringency of lockdown measures in various U.S. states were intricately tailored to the severity of the outbreak within their respective regions. Lockdowns effectively curtailed social interactions, thereby significantly reducing virus transmission. However, it is essential to strike a balance, as prolonged lockdowns can sow apprehension among the populace, impeding the resumption of normal social activities due to the persistent fear of contracting COVID-19. These prolonged restrictions have reverberated throughout the business landscape, resulting in reduced consumer and employee participation, ultimately denting long-term profitability sustainability. Businesses that lacked the resilience of adequate inventory faced the dire prospect of permanent closure. Regrettably, the absence of substantial government financial support has made business closure an all too common outcome, with the arduous task of revival to former employment levels.

研究动机与目标

• 开发一种控制理论框架，以优化传染病暴发期间的公共卫生干预措施。
• 解决最小化疾病传播与减少长期封锁带来的社会经济破坏之间的权衡。
• 使用路径积分方法，将区域间干预时机与强度的差异建模为随机控制策略。
• 为不确定条件下的疫情应对决策提供一种定量的、受物理学启发的方法。
• 评估干预时机与严格程度对长期结果（如死亡率与经济可持续性）的影响。

提出的方法

• 使用带有时变控制输入的随机易感-感染-康复（SIR）模型来描述传染病动力学。
• 应用路径积分控制理论，计算最小化结合疾病负担与社会破坏的代价函数的最优干预策略。
• 利用费曼-卡茨公式，将最优控制策略表示为所有可能干预轨迹上的泛函积分。
• 实施数值近似方案，求解美国各州真实暴发情景下的路径积分。
• 通过校准至各州层面的感染率与干预时间表数据，纳入区域异质性。
• 在连续控制策略空间上进行优化，允许封锁强度平滑过渡，而非二元的开启/关闭决策。

实验结果

研究问题

• RQ1 什么是最优的封锁干预时机与强度，能够同时最小化疾病传播与社会经济成本？
• RQ2 暴发严重程度的区域差异如何影响最优控制策略的结构？
• RQ3 路径积分控制能否识别出在维持公共卫生安全的同时减少长期经济损害的干预策略？
• RQ4 最优控制策略对传播率与人群行为不确定性有多敏感？
• RQ5 在总体社会成本方面，早期严格干预与延迟较宽松措施之间的权衡如何？

主要发现

• 路径积分控制框架识别出的干预策略可将峰值感染率较标准封锁政策降低高达40%。
• 最优控制策略表现出干预强度的平滑过渡，避免了可能破坏公众配合度的突然开关。
• 该模型预测，早期实施中等严格程度的干预可实现最低的总体社会成本，实现健康与经济结果的平衡。
• 区域异质性显著影响最优政策设计，高传播区域需要更早且更积极的干预。
• 该框架对传播参数的不确定性表现出鲁棒性，在不同假设下仍能保持近似最优性能。
• 与启发式政策设计相比，路径积分方法在模拟情景中使累计死亡人数与经济损失减少20%–30%。