[论文解读] Study of lockdown/testing mitigation strategies on stochastic SIR model and its comparison with South Korea, Germany and New York data

Priyanka, Vicky Verma|arXiv (Cornell University)|Jun 20, 2020

COVID-19 epidemiological studies参考文献 16被引用 4

一句话总结

本研究将随机网络上的随机SIR模型扩展，以评估封锁和检测策略在减轻COVID-19传播中的作用。研究发现，两种策略均可降低有效基本再生数，但突然中止会导致与剩余易感个体数量成比例的二次疫情暴发；来自韩国、德国和纽约的真实数据与模拟结果高度一致，凸显了持续检测在防止疫情反弹方面的有效性。

ABSTRACT

We are currently facing a highly critical case of a world-wide pandemic. The novel coronavirus (SARS-CoV-2, a.k.a. COVID-19) has proved to be extremely contagious and the original outbreak from Asia has now spread to all continents. This situation will fruitfully profit from the study in regards of the spread of the virus, assessing effective countermeasures to weight the impact of the adopted strategies. The standard Susceptible-Infectious-Recovered (SIR) model is a very successful and widely used mathematical model for predicting the spread of an epidemic. We adopt the SIR model on a random network and extend the model to include control strategies {\em lockdown} and {\em testing} -- two often employed mitigation strategies. The ability of these strategies in controlling the pandemic spread is investigated by varying the effectiveness with which they are implemented. The possibility of a second outbreak is evaluated in detail after the mitigation strategies are withdrawn. We notice that, in any case, a sudden interruption of such mitigation strategies will likely induce a resurgence of a second outbreak, whose peak will be correlated to the number of susceptible individuals. In fact, we find that a population will remain vulnerable to the infection until the herd immunity is achieved. We also test our model with real statistics and information on the epidemic spread in South Korea, Germany, and New York and find a remarkable agreement with the simulation data.

研究动机与目标

• 使用随机SIR框架在随机网络上建立模型，以评估封锁和检测对疫情传播的影响。
• 评估在缓解措施过早中止后出现二次疫情的风险。
• 将模型预测与韩国、德国和纽约的真实世界数据进行比较，以验证模型的准确性。
• 评估检测与封锁在控制传播和维持依从性方面的相对有效性。
• 为实现群体免疫的同时最小化医疗负担，提供最优混合缓解策略的见解。

提出的方法

• 在Erdös-Rényi随机网络上实现随机SIR模型，以模拟个体层面的疾病传播。
• 封锁被建模为接触概率的降低，其有效性由0（无封锁）到1（完全隔离）之间的数值参数化。
• 检测被建模为识别并隔离感染者概率，其有效性范围为0%至100%。
• 跟踪有效基本再生数 $\mathcal{R}_e$ 随干预强度和时机的变化。
• 使用韩国、德国和纽约的真实流行病数据对模拟进行校准，以匹配报告的确诊曲线。
• 通过测量二次疫情暴发的峰值与剩余易感个体数量的关系，评估干预后的疫情反弹。

实验结果

研究问题

• RQ1 封锁的有效性如何影响随机SIR模型中疫情的峰值和持续时间？
• RQ2 在缓解措施解除后，防止显著二次疫情所需的检测最低有效阈值是多少？
• RQ3 封锁与检测的综合效应与韩国、德国和纽约等不同国家的真实世界流行病曲线相比如何？
• RQ4 缓解措施后剩余易感个体数量在多大程度上决定了潜在二次疫情的严重程度？
• RQ5 为何持续检测比仅依靠封锁更能有效防止疫情反弹，尤其是在依从性和经济影响方面？

主要发现

• 突然中止封锁或检测策略始终导致感染反弹，二次疫情峰值与剩余易感个体数量直接相关。
• 检测有效性超过50%时，可有效控制疫情，并将感染峰值降至可管理水平，前提是该措施持续足够长以实现根除。
• 模型与韩国、德国和纽约的真实数据表现出强烈的定量一致性，验证了其在简化假设下的预测能力。
• 即使采取了有效干预措施，由于全球人口的高度互联性，若未实现群体免疫，病毒从外部重新引入仍可能引发传播。
• 检测比封锁更具可持续性和依从性，因为它仅隔离感染者，最大限度减少了社会和经济的干扰。
• 本研究建议纽约应效仿韩国在封锁后实施高效检测，以防止第二波疫情，模拟结果支持此结论。