[论文解读] Prediction of COVID-19 Disease Progression in India : Under the Effect of National Lockdown

Sourish Das|arXiv (Cornell University)|Apr 7, 2020

COVID-19 epidemiological studies参考文献 5被引用 24

一句话总结

本研究应用SIR流行病学模型与统计机器学习方法，预测印度全国封锁期间的COVID-19传播情况。估计印度的基本再生数𝒫₀ ≈ 2.75，与早期湖北/中国水平相当；同时识别出旁遮普邦（𝒫₀ ≈ 16）、马哈拉施特拉邦和泰米尔纳德邦为高风险地区，若封锁措施有效，预测截至2020年5月1日累计病例将低于66,224例。

ABSTRACT

In this policy paper, we implement the epidemiological SIR to estimate the basic reproduction number $\mathcal{R}_0$ at national and state level. We also developed the statistical machine learning model to predict the cases ahead of time. Our analysis indicates that the situation of Punjab ($\mathcal{R}_0\approx 16$) is not good. It requires immediate aggressive attention. We see the $\mathcal{R}_0$ for Madhya Pradesh (3.37) , Maharastra (3.25) and Tamil Nadu (3.09) are more than 3. The $\mathcal{R}_0$ of Andhra Pradesh (2.96), Delhi (2.82) and West Bengal (2.77) is more than the India's $\mathcal{R}_0=2.75$, as of 04 March, 2020. India's $\mathcal{R}_0=2.75$ (as of 04 March, 2020) is very much comparable to Hubei/China at the early disease progression stage. Our analysis indicates that the early disease progression of India is that of similar to China. Therefore, with lockdown in place, India should expect as many as cases if not more like China. If lockdown works, we should expect less than 66,224 cases by May 01,2020. All data and exttt{R} code for this paper is available from \url{https://github.com/sourish-cmi/Covid19}

研究动机与目标

• 通过流行病学建模评估印度全国封锁在遏制COVID-19传播方面的有效性。
• 估算各州层面的基本再生数（𝒫₀），以识别亟需公共卫生干预的地区。
• 利用统计机器学习模型预测未来确诊人数，为印度卫生部门提供早期准备依据。
• 将印度早期疫情轨迹与中国的湖北地区进行比较，以在医疗资源有限的背景下为政策制定提供参考。

提出的方法

• 应用易感-感染-康复（SIR）模型，基于约翰霍普金斯大学、Covid19India和Kaggle提供的确诊数据，估算全国及各州层面的基本再生数（𝒫₀）。
• 使用2020年1月23日至4月4日期间的数据对SIR模型进行校准，设定两个起始时间点：2020年1月2日和2020年3月2日，以评估敏感性。
• 采用统计机器学习（SML）模型预测未来病例数，并使用2020年3月24日之后的数据进行样本外验证。
• 计算𝒫₀估计值的95%置信区间，以评估各州传播风险的不确定性。
• 将印度的疫情曲线与早期湖北/中国数据进行比较，以定位印度疫情的严重程度。
• 利用GitHub上托管的开源数据与R代码，确保研究的可复现性与透明度。

实验结果

研究问题

• RQ1 在疫情早期阶段，印度及其各州的基本再生数（𝒫₀）是多少？
• RQ2 印度早期疫情轨迹与湖北/中国相比如何，特别是在传播潜力方面？
• RQ3 基于病例趋势与𝒫₀估计值，印度全国封锁在多大程度上显示出减少传播的效果？
• RQ4 统计机器学习模型能否利用早期疫情数据准确预测印度未来的确诊人数？
• RQ5 基于𝒫₀值，哪些印度州存在最高的持续传播风险？

主要发现

• 截至2020年3月4日，印度全国基本再生数（𝒫₀）估计为2.75，与早期湖北/中国水平相当，表明具有较高的传播潜力。
• 旁遮普邦的𝒫₀最高，约为16，可能由于超级传播事件所致，凸显亟需针对性干预措施。
• 中央邦（𝒫₀ = 3.37）、马哈拉施特拉邦（3.25）和泰米尔纳德邦（3.09）的𝒫₀值均超过3，表明传播风险较高。
• 安得拉邦（2.96）、德里（2.82）和西孟加拉邦（2.77）的𝒫₀值也高于全国平均水平，需特别关注。
• 机器学习模型预测，若封锁措施有效，印度累计确诊病例到2020年5月1日将保持在66,224例以下。
• 模型显示，截至2020年4月7日封锁尚未显现即时效果，但若干预成功，预测将呈现下降趋势。