[论文解读] Why integral equations should be used instead of differential equations to describe the dynamics of epidemics

Zoltán Fodor, Sheldon Katz+1 more|arXiv (Cornell University)|Apr 15, 2020

COVID-19 epidemiological studies参考文献 25被引用 17

一句话总结

本文主张在流行病动力学建模中用积分方程替代微分方程，因其能自然地处理潜伏期延迟而无需近似。基于纽约市的数据，研究表明积分模型能更准确地估计 $R_0$，更好地捕捉干预后的振荡行为，并实现对 $R_0$ 变化的实时监测，相较于广泛使用的 SEIR 类微分模型具有更优的预测能力。

ABSTRACT

It is of vital importance to understand and track the dynamics of rapidly unfolding epidemics. The health and economic consequences of the current COVID-19 pandemic provide a poignant case. Here we point out that since they are based on differential equations, the most widely used models of epidemic spread are plagued by an approximation that is not justified in the case of the current COVID-19 pandemic. Taking the example of data from New York City, we show that currently used models significantly underestimate the initial basic reproduction number ($R_0$). The correct description, based on integral equations, can be implemented in most of the reported models and it much more accurately accounts for the dynamics of the epidemic after sharp changes in $R_0$ due to restrictive public congregation measures. It also provides a novel way to determine the incubation period, and most importantly, as we demonstrate for several countries, this method allows an accurate monitoring of $R_0$ and thus a fine-tuning of any restrictive measures. Integral equation based models do not only provide the conceptually correct description, they also have more predictive power than differential equation based models, therefore we do not see any reason for using the latter.

研究动机与目标

• 解决基于微分方程的流行病模型在处理潜伏期延迟和 $R_0$ 突变方面存在的概念与定量缺陷。
• 证明积分方程模型相较于广泛使用的 SEIR 类微分模型，能提供更准确且在概念上更合理的流行病动力学描述。
• 表明积分方程模型可在计算复杂度相当的情况下实现显著更优的预测能力，尤其在政策快速变更期间表现更佳。
• 通过消除微分方程模型固有的不可控近似，实现对 $R_0$ 变化的实时精细化监测。
• 鉴于其更高的现实性与准确性，推动将积分方程形式确立为流行病建模的标准方法。

提出的方法

• 本文提出一种积分方程模型，其中时间 $t$ 的新感染数取决于过去感染率与潜伏期分布 $P(\tau)$ 的卷积。
• 核心方程为 $\rho(t) = \beta \int_0^\infty \rho(t-\tau) P(\tau) d\tau$，该方程无需额外近似即可建模从暴露到具有传染性的时延。
• 基本再生数定义为 $R_0 = \beta \int_0^\infty P(\tau) d\tau$，确保解释透明且一致。
• 该方法可推广至子群体，通过包含各组间传播率 $\beta_{i\leftarrow j}$ 和种群动态 $S_i(t)$ 的耦合积分方程实现。
• 模型通过离散时间卷积进行数值实现，其计算复杂度与求解 SEIR 微分方程相当。
• 该方法自然地捕捉了在公共卫生干预导致 $R_0$ 突然下降后，新病例数的振荡行为，而微分模型无法再现此类现象。

实验结果

研究问题

• RQ1 为何基于微分方程的标准流行病模型在像新冠这样的快速传播疫情中会显著低估初始 $R_0$？
• RQ2 如何在不引入不可控近似的情况下，准确建模从暴露到具有传染性的时延？
• RQ3 积分方程模型是否能比微分方程模型更好地捕捉干预后新病例数的振荡行为？
• RQ4 在积分方程框架下，$R_0$ 能在多大程度上实现实时监测？
• RQ5 比较积分方程与微分方程模型时，流行病高峰的规模与时间在数量上有何差异？

主要发现

• 由于准确处理了潜伏期延迟，积分方程模型估计的初始 $R_0$ 显著高于微分方程模型，尤其当 $R_0$ 较大时。
• 在实施限制性措施后，积分模型能正确再现观察到的新病例数的振荡行为，而微分模型无法捕捉此类现象。
• 积分方程形式允许对 $R_0$ 变化进行精确的实时监测，从而实现对公共卫生干预措施的精细化调整。
• 即使在初始指数增长阶段，微分方程模型仍会低估 $R_0$，因为其假设从潜伏期到传染性的转变是瞬时的，违反了潜伏期的存在。
• 由于更真实地引入了延迟，积分模型预测的病例高峰数量可能与 SEIR 模型存在显著差异，具体取决于参数设定。
• 积分方程方法在数值实现上并不比 SEIR 模型更复杂，但其预测准确性与概念清晰度显著更优。