[论文解读] SUTRA: A Novel Approach to Modelling Pandemics with Applications to COVID-19

Manindra Agrawal, Madhuri Kanitkar+6 more|arXiv (Cornell University)|Jan 22, 2021

COVID-19 epidemiological studies被引用 8

一句话总结

SUTRA 是一个四 compartment 传染病模型（易感者、未被发现感染者、检测阳性者、已移除者），可考虑未被发现的感染以及随时间变化的传播动态。它利用每日病例数据估计关键参数，实现对疫情轨迹的准确预测，并揭示自然免疫对奥密克戎毒株的防护作用强于疫苗接种。

ABSTRACT

The Covid-19 pandemic has two key properties: (i) asymptomatic cases (both detected and undetected) that can result in new infections, and (ii) time-varying characteristics due to new variants, Non-Pharmaceutical Interventions etc. We develop a model called SUTRA (Susceptible, Undetected though infected, Tested positive, and Removed Analysis) that takes into account both of these two key properties. While applying the model to a region, two parameters of the model can be learnt from the number of daily new cases found in the region. Using the learnt values of the parameters the model can predict the number of daily new cases so long as the learnt parameters do not change substantially. Whenever any of the two parameters changes due to the key property (ii) above, the SUTRA model can detect that the values of one or both of the parameters have changed. Further, the model has the capability to relearn the changed parameter values, and then use these to carry out the prediction of the trajectory of the pandemic for the region of concern. The SUTRA approach can be applied at various levels of granularity, from an entire country to a district, more specifically, to any large enough region for which the data of daily new cases are available. We have applied the SUTRA model to thirty-two countries, covering more than half of the world's population. Our conclusions are: (i) The model is able to capture the past trajectories very well. Moreover, the parameter values, which we can estimate robustly, help quantify the impact of changes in the pandemic characteristics. (ii) Unless the pandemic characteristics change significantly, the model has good predictive capability. (iii) Natural immunity provides significantly better protection against infection than the currently available vaccines.

研究动机与目标

• 开发一个稳健且参数高效的模型，以捕捉未被发现的感染以及随时间变化的疫情动态。
• 仅使用报告的病例数据，实现对每日新增病例的准确短期预测。
• 通过识别模型参数的变化，检测疫情特征的转变（例如新毒株、干预措施）。
• 利用真实世界数据量化自然免疫与疫苗诱导免疫的相对保护效力。
• 通过提供国家及次国家级层面的可靠、区域特定的疫情预测，支持政策决策。

提出的方法

• SUTRA 使用四个 compartment：易感者（S）、未被发现的感染者（U）、检测阳性者（T）和已移除者（R），其转换由时间不变的动力学决定。
• 该模型使用一个基本方程，通过参数 β̃ 和 ρ̃ 将每日新增检测病例（NT）、活跃检测病例（T）和累计检测病例（CT）联系起来。
• 通过非线性最小二乘拟合程序，从每日病例数据中估计两个关键参数（1/β̃ 和 1/ρ̃）。
• 当检测或传播动态发生变化时，模型可检测到参数变化，从而实现参数的重新估计和更新预测。
• 通过将 ρ 建模为实际免疫、丧失免疫和获得免疫的函数，纳入随时间变化的免疫效应，当自然免疫接近最大值时，ρ ≈ 1。
• 该模型在 32 个国家进行了校准，利用人口规模（P₀）和病例数据估计免疫水平，并比较疫苗与自然免疫的保护效力。

实验结果

研究问题

• RQ1 一个具有最少参数的四 compartment 模型能否在考虑未被发现病例的同时，准确预测疫情轨迹？
• RQ2 如何仅从每日报告的病例数据中可靠地估计模型参数？
• RQ3 疫情特征的变化（例如新毒株、非药物干预措施）在多大程度上改变模型参数？模型能否检测到此类变化？
• RQ4 对奥密克戎毒株而言，自然免疫与疫苗诱导免疫的相对保护效力如何？
• RQ5 在接种疫苗后允许自然感染，是否比严格实施零新冠策略能带来更持久的群体免疫？

主要发现

• SUTRA 在 32 个国家中准确捕捉了过去的疫情轨迹，稳健的参数估计使其能够实现可靠的短期预测。
• 当新毒株出现或干预措施改变时，模型能检测到传播动态的变化，从而实现参数的及时重新估计。
• 自然免疫对奥密克戎的防护作用显著强于疫苗诱导免疫，这由免疫力丧失与奥密克戎前自然免疫水平之间的强烈负相关性所证实。
• 疫苗诱导的免疫力在奥密克戎出现后几乎完全丧失，免疫力丧失程度与未感染人群中接种疫苗的比例高度相关。
• 在奥密克戎波期间，奥密克戎前自然免疫水平较高的国家感染率远低于其他国家，表明既往感染提供了更优的保护。
• 模型结果表明，强调在接种疫苗后允许可控传播的策略，可能比严格实施零新冠策略带来更持久的群体免疫。