[论文解读] Prospects and limits of SIR-type Mathematical Models to Capture the COVID-19 Pandemic

Günter Bärwolff|arXiv (Cornell University)|Apr 13, 2020

COVID-19 epidemiological studies参考文献 2被引用 4

一句话总结

本文使用欧洲疾病预防与控制中心（ECDC）的数据，评估了SIR型模型在模拟COVID-19大流行中的适用性。该研究提出了一种基于非线性最小二乘法（阻尼高斯-牛顿法）的改进参数估计方法，而非对数线性回归，证明了早期指数增长阶段可被准确建模，从而为锁定干预措施的最优时机提供依据。结果显示，当封锁措施在感染加速度峰值时启动，可显著压平感染曲线。

ABSTRACT

For the description of a pandemic mathematical models could be interesting. Both for physicians and politicians as a base for decisions to treat the disease. The responsible estimation of parameters is a main issue of mathematical pandemic models. Especially a good choice of $β$ as the number of others that one infected person encounters per unit time (per day) influences the adequateness of the results of the model. For the actual COVID-19 pandemic some aspects of the parameter choice will be discussed. Because of the incompatibility of the data of the Johns-Hopkins-University to the data of the German Robert-Koch-Institut we use the COVID-19 data of the European Centre for Disease Prevention and Control (ECDC) as a base for the parameter estimation. Two different mathematical methods for the data analysis will be discussed in this paper and possible sources of trouble will be shown. As example of the parameter choice serve the data of the USA and the UK. The resulting parameters will be used estimated and used in W.\,O. Kermack and A.\,G. McKendrick's SIR model. Strategies for the commencing and ending of social and economic shutdown measures are discussed. The numerical solution of the ordinary differential equation system of the modified SIR model is being done with a Runge-Kutta integration method of fourth order. At the end the applicability of the SIR model could be shown essentially. Suggestions about appropriate points in time at which to commence with lockdown measures based on the acceleration rate of infections conclude the paper.

研究动机与目标

• 评估SIR型模型在捕捉COVID-19大流行动态方面的适用性。
• 利用来自美国和英国的真实世界数据，改进参数估计，特别是β（传播率）和κ（封锁强度）。
• 基于感染增长率，确定启动社会与经济封锁措施的最优时机。
• 评估针对高危人群（如年龄≥70岁）的针对性社交疏离措施对医疗系统负担的影响。
• 比较对数线性回归与非线性优化在早期疫情拟合中的有效性。

提出的方法

• 使用带有常微分方程的改进SIR模型：dS/dt = -β(S/N)I，dI/dt = β(S/N)I - γI，dR/dt = γI。
• 利用阻尼高斯-牛顿法对ECDC数据中的每日感染人数进行非线性最小二乘法估计β。
• 将对数线性回归（log(I(t)) = log(I₀) + βt）与非线性优化在参数拟合中的表现进行比较。
• 引入随时间变化的传播率κ(t)以模拟动态封锁，其中κ在干预期间下降。
• 引入占10%的高危亚群（α = 10%）用于年龄≥70岁人群，单独建模以评估其对住院率和死亡率的影响。
• 使用四阶龙格-库塔法数值求解ODE系统，初始条件设定为2020年1月31日。

实验结果

研究问题

• RQ1 SIR型模型能否利用真实世界数据准确捕捉COVID-19大流行的早期指数增长阶段？
• RQ2 在参数估计中，对数线性回归与非线性优化哪种方法能产生更可靠的β估计？
• RQ3 应在何时启动封锁措施，以最有效地降低感染峰值？
• RQ4 针对高危个体（≥70岁）的干预措施如何影响医疗系统的总体负担？
• RQ5 30天动态封锁对美国和英国感染峰值人数有何影响？

主要发现

• 非线性高斯-牛顿法产生的β估计值比对数线性回归更准确，后者低估了传播率，意大利案例中尤为明显。
• 对于美国，β在2020年2月10日至4月4日期间估计为0.171，若无干预，预测感染峰值约为670万人。
• 实施30天动态封锁（κ=0.2）后，美国感染峰值人数降至420万人，表明曲线显著压平。
• 最优封锁启动时间被确定为美国t₀ = 155天（2020年5月13日）和英国t₀ = 117天（2020年4月25日），依据I(t)的二阶导数。
• 在t₀之前启动的封锁措施均无效，证实基于感染加速度的时机选择对成功至关重要。
• 模型表明，社交疏离与高危人群隔离可延迟峰值并减轻医疗系统压力，为疫苗研发和医疗响应改进争取时间。