[论文解读] SIR epidemics in dynamic contact networks

Erik Volz, Lauren Ancel Meyers|arXiv (Cornell University)|May 15, 2007

COVID-19 epidemiological studies参考文献 39被引用 5

一句话总结

本文提出一种邻居互换（NE）模型，用于模拟动态接触网络中的SIR流行病传播，其中个体维持固定数量的接触，但接触对象随时间变化。通过调节混合速率参数，该模型在静态网络与混合传播模型之间实现平滑过渡，利用真实接触数据准确预测了某所高中人群的梅毒暴发，并表明即使在恢复率或传播率上发生微小变化，也会显著改变最终的流行病规模。

ABSTRACT

Contact patterns in populations fundamentally influence the spread of infectious diseases. Current mathematical methods for epidemiological forecasting on networks largely assume that contacts between individuals are fixed, at least for the duration of an outbreak. In reality, contact patterns may be quite fluid, with individuals frequently making and breaking social or sexual relationships. Here we develop a mathematical approach to predicting disease transmission on dynamic networks in which each individual has a characteristic behavior (typical contact number), but the identities of their contacts change in time. We show that dynamic contact patterns shape epidemiological dynamics in ways that cannot be adequately captured in static network models or mass-action models. Our new model interpolates smoothly between static network models and mass-action models using a mixing parameter, thereby providing a bridge between disparate classes of epidemiological models. Using epidemiological and sexual contact data from an Atlanta high school, we then demonstrate the utility of this method for forecasting and controlling sexually transmitted disease outbreaks.

研究动机与目标

• 解决静态网络模型与混合传播模型在捕捉疾病传播中瞬时、动态接触模式方面的局限性。
• 开发一个低维常微分方程（ODE）框架，以描述接触变化如何影响异质人群中的流行病传播。
• 展示该模型在利用亚特兰大一所高中梅毒暴发的实证数据进行预测与控制方面的实用性。
• 证明该模型可通过单一混合参数平滑插值于静态网络与混合传播动力学之间。
• 为具有有限、短暂接触的群体提供一种灵活的建模工具，尤其适用于许多传播较慢的性传播疾病。

提出的方法

• 邻居互换（NE）模型假设每个个体维持固定数量的并发接触，通过边交换机制以指定速率更换接触对象。
• 该模型使用一组非线性常微分方程（ODE）来描述动态网络中易感者、感染者和康复者随时间的演化。
• 混合速率参数控制着从低混合（静态网络动力学）到高混合（混合传播动力学）的过渡，实现两种极端之间的插值。
• 模型整合了从亚特兰大一所高中真实性接触数据中估计出的经验度分布和接触轮换速率。
• 通过模拟验证分析结果，建模连续时间的随机过程，同时考虑有限种群规模和异质性。
• 将模型拟合至1996年亚特兰大梅毒暴发数据，以估计传播率与恢复率，并预测最终流行病规模。

实验结果

研究问题

• RQ1 当个体频繁更换接触对象时，动态接触模式如何影响SIR流行病的最终规模与传播动力学，相较于静态或混合传播模型？
• RQ2 单参数模型是否能够弥合静态网络模型与混合传播模型在预测流行病传播方面的差距？
• RQ3 在动态网络环境中，传播率或恢复率的变化在多大程度上改变预测的最终流行病规模？
• RQ4 NE模型在拟合现实世界性传播疾病暴发数据（如1996年亚特兰大梅毒暴发）方面表现如何？
• RQ5 在动态接触网络中，治疗干预（提高恢复率）对流行病控制有何影响？

主要发现

• 通过调节单一混合速率参数，NE模型成功在静态网络与混合传播模型之间实现插值，为动态接触网络提供统一的框架。
• 当使用传播率62.7%、每日恢复率1/154的亚特兰大梅毒数据进行拟合时，模型预测最坏情况下的最终流行病规模为97%，超过实际观察到的35%患病率。
• 传播率或恢复率的微小变化（如由治疗干预引起）可显著降低预测的最终流行病规模，凸显结果对这些参数的高度敏感性。
• 与仅使用静态网络或混合传播模型相比，NE模型对实证数据的拟合效果更优，因为它同时考虑了接触持续时间有限性与接触数量的异质性。
• NE模型在模拟传播较慢的感染（如许多性传播疾病）方面尤为有效，因为此时接触轮换速度远快于疾病进展速度。
• 模拟结果证实，即使在有限且异质的种群中，该模型的分析预测依然稳健，验证了其在现实世界预测中的适用性。