[论文解读] The role of directionality, heterogeneity and correlations in epidemic risk and spread

Antoine Allard, Cristopher Moore+3 more|arXiv (Cornell University)|May 22, 2020

COVID-19 epidemiological studies被引用 11

一句话总结

本文研究了接触网络中的方向性、异质性及相关性如何影响流行病风险与传播，表明入度与出度的联合分布（风险与传播）在决定基本再生数和流行病规模方面起着决定性作用。研究发现，现实世界网络中常见的相关性、重尾度分布会显著偏离标准的质因子模型，因此需要针对性的接触追踪与干预策略，以应对超级传播事件。

ABSTRACT

Most models of epidemic spread, including many designed specifically for COVID-19, implicitly assume mass-action contact patterns and undirected contact networks, meaning that the individuals most likely to spread the disease are also the most at risk to receive it from others. Here, we review results from the theory of random directed graphs which show that many important quantities, including the reproduction number and the epidemic size, depend sensitively on the joint distribution of in- and out-degrees ("risk" and "spread"), including their heterogeneity and the correlation between them. By considering joint distributions of various kinds, we elucidate why some types of heterogeneity cause a deviation from the standard Kermack-McKendrick analysis of SIR models, i.e., so-called mass-action models where contacts are homogeneous and random, and some do not. We also show that some structured SIR models informed by realistic complex contact patterns among types of individuals (age or activity) are simply mixtures of Poisson processes and tend not to deviate significantly from the simplest mass-action model. Finally, we point out some possible policy implications of this directed structure, both for contact tracing strategy and for interventions designed to prevent superspreading events. In particular, directed graphs have a forward and backward version of the classic "friendship paradox" -- forward edges tend to lead to individuals with high risk, while backward edges lead to individuals with high spread -- such that a combination of both forward and backward contact tracing is necessary to find superspreading events and prevent future cascades of infection.

研究动机与目标

• 理解接触网络中的方向性、异质性与相关性如何在超越标准质因子假设的前提下影响流行病动力学。
• 识别由于网络结构导致流行病模型偏离经典SIR/Kermack-McKendrick分析的条件。
• 评估有向网络结构对接触追踪及超级传播事件抑制的影响。
• 建立一种基于随机有向图中相关入度与出度分布的流行病传播建模框架。
• 评估基于活动度或年龄分组的结构化SIR模型在与平均场近似关系上的有效性。

提出的方法

• 使用随机有向图理论建模传播网络，其中边表示个体之间的潜在疾病传播。
• 应用概率生成函数（PGFs）表征入度与出度的联合分布，从而推导出流行病阈值与规模。
• 引入一个带相关性参数 $ a \in [0,1] $ 的联合度分布参数化族，实现入度与出度从独立到完全相关的插值。
• 推导出基本再生数 $ R_0 $ 为 $ R_0 = (1-a)\langle k_{\text{in}} \rangle + a \frac{\langle k_{\text{out}}^2 \rangle}{\langle k_{\text{in}} \rangle} $，表明其对度方差与相关性的依赖。
• 将该形式化方法应用于具有相关入度与出度的两类型泊松混合模型，利用矩阵谱半径计算 $ R_0 $，并通过PGF方程组求解流行病规模。
• 利用有向网络中的友谊悖论：前向边通向高风险个体，后向边通向高传播个体，从而支持双向接触追踪策略。

实验结果

研究问题

• RQ1 入度（风险）与出度（传播）之间的相关性如何影响有向网络中的流行病阈值与规模？
• RQ2 在何种条件下，网络异质性会导致流行病模型偏离标准质因子SIR模型？
• RQ3 为何基于活动度或年龄分组的结构化SIR模型尽管存在网络结构，却常表现得像平均场模型？
• RQ4 有向网络结构如何为更有效的接触追踪策略提供依据，以识别超级传播事件？
• RQ5 入度与出度的联合分布在线性再生数 $ R_0 $ 的决定中起何种作用？

主要发现

• 基本再生数 $ R_0 $ 不仅依赖于入度的均值，还依赖于出度分布的二阶矩以及入度与出度之间的相关性。
• 当 $ a = 1 $ 时，入度与出度完全相关，此时 $ R_0 = \frac{\langle k_{\text{out}}^2 \rangle}{\langle k_{\text{in}} \rangle} $，显示出对度方差的强依赖。
• 对于无相关网络（$ a = 0 $），$ R_0 = \langle k_{\text{in}} \rangle $，退化为平均场情形。
• 流行病规模 $ \mathcal{S} $ 通过依赖于联合度分布与相关性参数 $ a $ 的PGF方程组计算得出，且在两类型泊松混合模型中已推导出显式解。
• 有向网络中的友谊悖论表明，前向边（从感染者到易感者）倾向于连接至高风险个体，而后向边（从易感者到感染者）则指向高传播个体，因此需要实施双向接触追踪。
• 基于活动类型（如年龄或行为群体）的泊松混合模型常表现得像平均场模型，除非入度与出度之间存在强相关性，否则不会显著偏离标准SIR预测。