[论文解读] Rational evaluation of various epidemic models based on the COVID-19 data of China

Wuyue Yang, Dongyan Zhang+3 more|arXiv (Cornell University)|Mar 12, 2020

COVID-19 epidemiological studies参考文献 19被引用 8

一句话总结

本研究基于2020年初中国新冠疫情数据，评估了16种流行病模型——七种经验函数、四种统计推断方法及五种动力学模型。研究发现，模型表现关键取决于流行病转折点，其中SEIR-QD与SEIR-PO模型因复杂性与准确性的平衡而优于其他模型；而Logistic函数与Gompertz函数则分别持续低估与高估最终疫情规模。

ABSTRACT

In this paper, based on the Akaike information criterion, root mean square error and robustness coefficient, a rational evaluation of various epidemic models/methods, including seven empirical functions, four statistical inference methods and five dynamical models, on their forecasting abilities is carried out. With respect to the outbreak data of COVID-19 epidemics in China, we find that before the inflection point, all models fail to make a reliable prediction. The Logistic function consistently underestimates the final epidemic size, while the Gompertz's function makes an overestimation in all cases. Towards statistical inference methods, the methods of sequential Bayesian and time-dependent reproduction number are more accurate at the late stage of an epidemic. And the transition-like behavior of exponential growth method from underestimation to overestimation with respect to the inflection point might be useful for constructing a more reliable forecast. Compared to ODE-based SIR, SEIR and SEIR-AHQ models, the SEIR-QD and SEIR-PO models generally show a better performance on studying the COVID-19 epidemics, whose success we believe could be attributed to a proper trade-off between model complexity and fitting accuracy. Our findings not only are crucial for the forecast of COVID-19 epidemics, but also may apply to other infectious diseases.

研究动机与目标

• 系统评估多种流行病模型在中国早期新冠疫情数据中的预测性能。
• 通过平衡模型复杂性、拟合准确度与稳健性，识别出提供最可靠预测的模型。
• 评估流行病转折点在不同建模方法中对预测可靠性的影响。
• 比较经验模型、统计推断方法与基于常微分方程（ODE）的动力学模型在预测准确度与敏感性方面的表现。
• 为传染病预测提供基于证据的模型选择指导，其适用性可超越新冠疫情。

提出的方法

• 采用赤池信息准则（AIC）、均方根误差（RMSE）与稳健性系数作为定量评估标准。
• 使用逐步增大的训练数据集，评估模型在流行病转折点附近的时间序列表现。
• 评估七种经验函数（如Logistic、Gompertz、Richards）在拟合与预测累计病例轨迹方面的能力。
• 比较四种统计推断方法：指数增长法、最大似然法、序贯贝叶斯法与时变基本再生数估计法。
• 评估五种基于常微分方程的动力学模型：SIR、SEIR、SEIR-AHQ、SEIR-QD与SEIR-PO，其中SEIR-QD与SEIR-PO模型引入了隔离与防护动力学。
• 在国际数据（奥地利、马来西亚、挪威、韩国）上验证所选模型，以测试其在中国以外的泛化能力。

实验结果

研究问题

• RQ1 不同流行病模型在中国新冠疫情的最终规模与传播轨迹预测中表现如何？
• RQ2 流行病转折点在决定模型预测可靠性方面发挥何种作用？
• RQ3 经验模型、统计推断方法与基于ODE的动力学模型中，哪一类能提供最准确且稳健的预测？
• RQ4 为何Logistic函数与Gompertz函数分别持续低估与高估疫情规模？
• RQ5 能否利用指数增长法在转折点附近的过渡行为来提升预测准确度？

主要发现

• 在流行病转折点之前，所有模型均无法做出可靠预测，凸显了预测时机的关键作用。
• Logistic函数在所有测试区域与数据集中持续低估最终疫情规模。
• Gompertz函数系统性地高估最终疫情规模，且其表现未随数据量增加而一致改善。
• SEIR-QD与SEIR-PO模型因复杂性与拟合准确度之间的平衡而优于其他基于ODE的模型。
• 序贯贝叶斯法与时变基本再生数估计法在疫情后期的预测准确度高于指数增长法与最大似然法。
• 指数增长法在转折点附近表现出从低估到高估的转变，提示其动态行为可为构建更稳健的预测框架提供参考。