Generalised Linear Models for Dependent Binary Outcomes with Applications to Household Stratified Pandemic Influenza Data
许多传统的统计模型假设，当以解释变量为条件时，感兴趣的结果变量是相互独立的。在传染病的情况下，特别是在家庭等密切接触的环境中，这一假设严重违反，因为每个人的感染概率受到其他家庭成员是否感染的强烈影响。另一方面，随着类型数量的增加，家庭流行病的一般多类型传播模型很快变得无法从数据中识别。这导致无法从对传染病的家庭研究中得出一致的结论，例如在流感大流行的情况下。在这里，我们提出了一个广义的线性模型框架，用于子单元中的二进制结果，可以（i）捕获传播过程中产生的非独立性的影响，以及（ii）调整研究人群特征差异的疾病风险和严重程度的估计。该模型允许计算快速估计，不确定性量化，协变量选择和模型选择。在应用到真正的大流行性流感家庭数据，我们表明，它是正式赞成现有的建模方法。
2019-11-27 q-bio.PE
Quantifying the transmission potential of pandemic influenza
本文综述了估计大流行性流感基本繁殖数的定量方法，这是一个关键的阈值数量，有助于确定控制该疾病所需的干预措施的强度。虽然很难评估未来可能发生的大流行的传播潜力，但历史流行病学数据很容易从以前的大流行中获得，作为未来大流行规划的参考量，对历史数据进行数学和统计分析至关重要。特别是，由于许多历史记录往往只记录病例或死亡的时间分布（即流行曲线），我们的审查重点是最大限度地利用时间演变数据的方法，并澄清流感传播的详细机制。首先，我们强调结构化的流行病模型及其参数估计方法，可以量化详细的疾病动态，包括我们不能直接观察到的。持续时间结构的流行病系统随后提出，提供坚实的理解的基本和有效的再生产数的定义。当研究流行病的初始增长阶段时，生成时间的分布是使用内在增长率适当估计传播潜力的关键统计信息。随机过程的应用也强调使用类似的数据来估计传输潜力。随后总结了流感数据的关键重要特征，然后是我们的结论，以建议未来可能的方法改进。
2007-12-17 q-bio.PE
Effects of Reactive Social Distancing on the 1918 Influenza Pandemic
1918年流感大流行的特点是多波流行。我们调查了反应性社交距离，一种行为反应形式，以及它对英国多重流感浪潮的影响。在以前的研究中使用了两种形式的反应性社会距离：幂函数，这是最近流感死亡率在人群中的比例的函数，希尔函数，这是最近流感死亡率的实际数量的函数。使用一个简单的流行病模型与幂函数和一组共同的参数，我们提供了一个很好的模型适合在伦敦自治市，伯明翰和利物浦观察到的多个流行病波。我们的方法不同于以往的研究，其中单独的模型适合每个城市。然后，我们将这些模型参数应用于英格兰和威尔士的所有334个行政单位，包括各个行政单位的人口规模。我们计算了皮尔森的相关性之间的观察和模拟数据为每个行政单位。我们实现了0.636的中位数相关性，表明我们的模型预测表现相当不错。我们的建模方法需要减少参数的数量，从而在不过度拟合模型的情况下提高了计算效率。我们的工作具有科学和公共卫生意义。
2017-03-13 q-bio.PE
Modelling the strategies for age specific vaccination scheduling during influenza pandemic outbreaks
寻找最佳政策以降低目前流行病的发病率和死亡率是公共卫生的首要任务。使用房室模型与年龄结构和疫苗接种状态，我们研究了在流感大流行爆发期间，当疫苗接种运动和大流行的动态之间存在竞争时，特定年龄的疫苗接种时间表的影响。我们的研究结果与最近的一些研究一致，即年龄特异性对疫苗接种计划至关重要。然而，人们对这些控制措施在疫情期间实施的有效性知之甚少。比较五种可能的策略，我们发现，年龄特定的时间安排可以对流行病的结果产生巨大影响。对于最佳方案，攻击率比其他策略低10%。我们证明了尽早开始接种疫苗运动的重要性，因为延迟10天可能会增加高达6%的发病率。考虑到产生免疫力和接种疫苗之间的延迟是评估疫苗接种运动影响的一个关键因素。我们提供了一个总体框架，这对下一波大流行也将是有用的。
2012-02-28 q-bio.PE
Global Spatio-temporal Patterns of Influenza in the Post-pandemic Era
我们研究全球流感动态的时空模式。这是通过分析和模拟2006年1月至2014年5月期间来自138个国家的每周实验室确诊的甲型和乙型流感病例来实现的。这些数据来自世界卫生组织编制的监测网络FluNet。我们报告了2011年至2013年期间欧洲和东亚H1N1/09流感（导致2009年大流行的毒株）的{ \it跳跃和复活}行为模式。特别是，2011年预期的H1N1/09流行病爆发未能在全球许多国家发生（或“跳过”），尽管次年爆发了疫情。我们还报告了{ \it well-synchronized} 2010年北半球国家冬季H1N1/09波的模式，以及2009年和2012年流感季节之间H1N1/09替换H1N1/77毒株的模式。使用统计和机械数学模型，并通过拟合108个国家的数据（108个国家的统计模型和10个大人口与机械模型），我们讨论了可能产生这些事件的机制，考虑到多应变动力学的作用。对这些模式的基本了解具有重要的公共卫生意义和科学意义。
2014-12-09 q-bio.PE
Spatio-temporal patterns of influenza B proportions
我们研究了甲型和乙型流感实验室确诊病例中乙型流感比例的时空模式，数据来自世界卫生组织编制的FluNet，从2006年1月至2015年10月，不包括2009年。我们的分析仅限于34个国家，这些国家在研究期间报告了超过2000例A型和B型确认。我们发现，从2006年1月到2015年10月，与墨西哥的有效距离与各国乙型流感比例之间的Pearson相关性为0.669。在美国，流感大流行前时期（2003-2008年）的乙型流感比例与流感大流行后时期（2010-2015年）的乙型流感比例在区域水平上呈负相关。我们的研究局限性是国家层面的监测方法和检测政策的差异。乙型流感比例在研究期间显示出广泛的变化。我们的研究结果表明，即使排除了2009年的数据，流感大流行仍然对两种流感类型的相对负担有明显的影响。未来的研究可以检查是否有其他额外的因素。这项研究在优先考虑公共卫生控制措施方面具有潜在的意义。
2016-01-26 q-bio.PE
Epidemiological dynamics of the 2009 Influenza A(H1N1)v outbreak in India
我们分析了2009年6月1日至9月30日期间印度甲型H1N1流感大流行的时间序列数据。使用各种统计拟合程序，我们得到了一个强大的估计指数增长率$\langle λ\rangle \simeq 0.15$。这对应于印度甲型H1N1流感病毒的基本再生数$R_0 \simeq 1.45$，该值位于受大流行影响的不同国家报告的数值范围的低端。
2010-06-03 physics.bio-ph q-bio.PE
Modeling vaccination campaigns and the Fall/Winter 2009 activity of the new A(H1N1) influenza in the Northern Hemisphere
2009年秋季甲型H1N1流感大流行在北半球的发展仍不确定。疫苗接种运动和疫苗试验的计划正在进行中，第一批疫苗预计将于10月初上市。几项研究指出，预期的大流行高峰可能会破坏疫苗接种战略的有效性。在这里，我们使用一个结构化的全球流行病和流动性集合种群模型来评估2009年秋季/冬季大规模疫苗接种运动的有效性。根据预测的大流行演变和预期的疫苗供应之间的相互作用，探讨了缓解效果。该模型使用最近对新型甲型H1N1流感传染性的估计进行校准。结果显示，如果不采取额外的干预策略来推迟大流行高峰期的时间，即使早在10月中旬就开始大规模疫苗接种运动，疫苗接种也可能无法大幅减少累计病例数。优先接种疫苗对于减缓大流行演变和减轻其负担至关重要。
2010-02-04 physics.soc-ph q-bio.PE q-bio.QM
Early Detection of Influenza outbreaks in the United States
公共卫生监测系统往往无法发现新出现的传染病，特别是在资源有限的情况下。通过整合相关的临床和互联网来源的数据，我们可以缩小覆盖范围的关键差距，加快疫情检测。在这里，我们提出了一个多变量算法，使用免费提供的在线数据，以提供早期预警的新出现的流感流行在美国。我们评估了240个候选预测因子，发现最具预测性的组合\textit{not}包括监测或电子健康记录数据，但由八个谷歌搜索和维基百科的页面浏览量时间序列组成，反映了流感相关主题的兴趣水平变化。在对2010-2016年数据的交叉验证中，该算法在流感活动达到疾病控制和预防中心（CDC）宣布季节开始的阈值之前平均16.4周发出警报。在对2009年H1N1流感秋季大流行的数据进行的样本外测试中，它在这一监测阈值之前五周就认识到了威胁。更简单的算法，包括固定的一年中的一周触发器，在检测季节性流感时仅滞后优化警报几周，但在2009年大流行情景中无法提供早期预警。这证明了一种用于设计下一代爆发检测算法的鲁棒方法。通过将扫描统计与机器学习相结合，它可以识别出易于处理的数据源组合（从数千个候选数据源中），这些数据源可以为全球新出现的传染病威胁提供早期预警。
2019-03-04 q-bio.PE stat.AP
The hemagglutinin mutation E391K of pandemic 2009 influenza revisited
基于小到中等大小的序列数据集的系统发育分析导致高估流感血凝素（HA）的突变率至少一个数量级。两个主要的潜在原因是：不完整的谱系排序，以及在分析的序列中可能缺少一些关键的缺失祖先。此外，在邻居连接树重建过程中，每个突变都被认为是同等重要的，无论其性质如何。在这里，我们已经实施了一种启发式方法，优化站点依赖性因素加权不同的第一，第二和第三密码子位置突变，允许摆脱不正确的归属子分支。对于所有突变以及非等同氨基酸突变，对在大组独特的3243 HA序列的部分解缠树上观察到的所有突变的频率分布以及所有核苷酸位置进行最小二乘回归分析：在这两种情况下，均显示出几乎平坦的梯度，朝向3 '端位置具有非常轻微的向下斜率。每年每个序列的平均突变率为3.83*10^-4（所有突变）和9.64*10^-5（非等效突变）。
2013-11-08 q-bio.GN q-bio.PE
Low-dimensional clustering detects incipient dominant influenza strain clusters
流感一直在人群中传播，并在上个世纪引起了三次大流行（1918 H1N1，1957 H2 N2，1968 H3 N2）。2009年甲型H1N1流感被世界卫生组织列为第四大流行病。流感具有很高的进化率，这使得疫苗设计具有挑战性。我们在这里考虑一种新的优势菌株的早期检测方法。通过对2009年A（H1N1）序列数据进行聚类，我们发现了两个主要聚类。然后，我们定义了一个度量来检测显性菌株的出现。我们表明，历史H3 N2数据，这种方法是能够确定一个集群周围的一个初期的优势菌株之前，它成为主导。例如，对于截至2009年3月30日的H3 N2，该方法检测到新的A/不列颠哥伦比亚/RV 1222/2009毒株的簇。这种菌株检测工具似乎对每年的流感疫苗选择有用。
2012-04-27 q-bio.PE
Scaling in the global spreading patterns of pandemic Influenza A (H1N1) and the role of control: empirical statistics and modeling
背景：甲型H1N1流感大流行是一场严重的全球性公共危机。了解其传播动力学对于公共卫生和科学研究都具有根本重要性。最近的研究主要集中在评估和预测正在进行的传播，这在很大程度上取决于有关的社会接触的结构，人类旅行模式和病毒的生物活性等的详细信息。方法/主要发现：在这项工作中，我们分析了甲型H1N1流感确诊病例的分布在不同的水平，并找到齐普夫定律和堆定律。在严重急性呼吸系统综合征（SARS）和H5 N1禽流感病例中也观察到了类似的缩放特性。我们还发现了从人口和GDP较大的国家到较小国家的分层传播模式。我们提出了一个模型，考虑了一般的控制效果的本地增长和跨区域的传输，而不需要上述的详细信息。我们详细研究了控制效应和异质性对模型中传播动力学的影响，并表明它们是经验数据中观察到的尺度和层次传播特性的原因。结论/意义：我们的分析和建模表明，虽然对跨地区旅行者的严格控制措施可以推迟没有本地病例的地区的疫情，但在本地病例爆发后，重点应该转向本地预防。对跨区域活跃旅客数量最多的少数区域进行目标控制，可以有效地防止跨区域旅客扩散。这项工作不仅加深了对传染病传播的一般机制的了解，而且为决策者采取适当的控制战略提供了一些实用的指导。
2011-01-13 physics.data-an physics.soc-ph q-bio.PE
A resampling-based test to detect person-to-person transmission of infectious disease
及早发现禽流感等新出现的传染病的人际传播对遏制大流行病至关重要。为此，我们开发了一个简单的排列测试及其改进版本。模拟研究表明，改进的排列检验与基于渐近理论的传统检验一样有效，甚至优于传统检验，特别是在样本量较小时。此外，我们的restaurant方法可以适用于广泛的问题，渐近检验是不可用的或失败。我们还发现，如果该疾病在人类之间具有中度传播性，则只需少量病例就可以获得良好的统计功效。
2007-09-04 stat.AP
Age-specific contacts and travel patterns in the spatial spread of 2009 H1N1 influenza pandemic
在2009年H1N1 pdm的早期阶段，各国的确诊病例显示，在输入病例和本地传播病例之间存在年龄转移，成年人主要负责在未受影响的地区播种，儿童最常导致社区暴发。我们引入了一个多主机随机集合种群模型，两个年龄段的分析解决的作用，异质混合人口及其相关的非同质旅行行为的风险的重大流行病。我们告知模型的统计数据，人口，混合和旅行行为的欧洲和墨西哥，并校准到2009年H1N1 pdm早期爆发。我们改变了模型参数，以探索不同情况下的入侵条件。我们推导出该流行病的全球入侵潜力的表达式，该表达式取决于疾病传播率、交通网络和流动性特征、人口特征和混合模式。高度分离的混合有利于对流行病的空间遏制，这一效果与成人与儿童的社会活动增加形成对比。移动网络拓扑结构和交通流量的异质性强烈有利于疾病的侵袭，因为儿童旅行的比例也很大。各国人口结构和混合习惯的差异导致不同的疫情。结果与观察到的H1N1空间传播一致。这项工作说明了年龄依赖性的混合配置文件和流动性的特点，在研究的新出现的流感大流行的空间入侵的条件的重要性。其结果使得能够在获得数据后立即评估特定情况下发生重大流行病的风险，并评估针对特定年龄组、其相互作用和流动行为的公共卫生干预措施的有效性。
2013-04-02 physics.soc-ph q-bio.PE
Reconstruction of disease transmission rates: applications to measles, dengue, and influenza
传播率是了解传染病传播的关键。使用隔室模型的框架，我们引入了一种简单的方法，使我们能够直接从发病率或疾病相关死亡率数据重建传播率的时间序列。重建利用微分方程，它模拟了感染阶段和菌株的时间演变。由于该方法对初值敏感，因此能得到渐近正确的解。计算速度很快，时间复杂度为二次方。我们将重建应用于麻疹（英格兰和威尔士，1948-67），登革热（泰国，1982-99）和流感（美国，1910- 1927）。麻疹的例子提供了与早期工作的比较。在这里，我们重新调查报告更正，包括和排除人口统计信息。登革热的例子涉及泰国在减少登革出血热方面的病媒控制措施的失败。两个相互竞争的机制负责：应变相互作用和人口转变。我们的重建表明，这两种解释都是可能的，表明DHF病例的增加与减少病媒计数导致的传播率下降一致。流感的例子集中在1918/19年的大流行，研究了入侵菌株的传播率演变。我们的分析表明，大流行毒株可能已经在人群中传播了许多个月，然后才由高度增加的传播事件引发大流行。
2014-08-04 q-bio.PE q-bio.QM
Cellular reproduction number, generation time and growth rate differ between human- and avian-adapted influenza strains
在分析体外数据时，流感病毒株的生长动力学通常通过计算其生长速率来进行比较，有时将其用作适应性的代理。然而，类似于机械流行病模型，增长率可以定义为两个参数的函数：基本繁殖数（每个感染细胞感染的平均细胞数）和平均世代时间（复制周期的平均长度）。使用一个机制模型，先前发表的来自人类肺细胞实验的数据和新生成的数据，我们比较了六种甲型流感病毒株的所有三个参数的估计值。利用先前发表的数据，我们发现两种人类适应的毒株（2009年前的季节性H1N1和大流行性H1N1）比两种禽类适应的毒株（H5N1和H7N9）具有更低的基本繁殖数，更短的平均世代时间和更慢的生长速率。然后在新实验的数据中观察到这些相同的差异，其中两种菌株被改造为具有不同的内部蛋白（大流行性H1N1和H5N1），但具有相同的表面蛋白（PR8），这证实了我们的初步发现，并暗示菌株之间的差异是由内部基因驱动的。此外，该模型预测，在病毒载量达到峰值时，适应人类的毒株比适应禽类的毒株经历了更多的复制周期，可能更快地积累突变。这些结果表明，在体外繁殖的数量，世代时间和生长速率之间的人类适应和禽流感病毒株不同，因此可以用来评估宿主适应的内部蛋白质，以告知大流行的风险评估。
2019-03-19 q-bio.CB q-bio.PE
Parameter estimation for discretely-observed linear birth-and-death processes
生灭过程被广泛用于模拟生物种群的发展。虽然它们是相对简单的模型，但其参数可能难以估计，因为当数据来自年度人口普查等最常见的抽样计划时，可能性在数值上会变得不稳定。简单的估计可以基于嵌入的Galton-Watson过程，但这需要假设观测时间是等间隔的。我们估计的出生，死亡和增长率的线性生灭过程的总体规模定期观察通过嵌入的Galton-Watson过程，并通过最大化鞍点近似的可能性。我们表明，高斯近似的鞍点为基础的可能性连接这两种方法，我们建立的一致性和渐近正态性的拟似然估计，比较我们的估计在一些数值例子，并将我们的结果应用到两个濒危鸟类种群和H1N1流感大流行的人口普查数据。
2018-10-09 math.ST stat.TH
Seasonal transmission potential and activity peaks of the new influenza A(H1N1): a Monte Carlo likelihood analysis based on human mobility
6月11日，世界卫生组织正式将大流行病警戒级别（针对新的H1N1流感毒株）提高到6级。我们使用一个全球结构化集合种群模型，整合了全球范围内的流动性和运输数据，以估计传播潜力和相关的模型参数，我们使用的是2009年新型甲型流感（H1N1）的年表数据。该方法是基于最大似然分析的到达时间分布模型在12个国家播种墨西哥使用1 M计算模拟流行病。一个扩展的年表，包括全球93个国家在6月18日之前播种，用于确定季节性影响。我们发现基本生殖数的最佳估计值R 0 = 1.75（95%CI 1.64至1.88）。相关性分析允许根据观察到的模式选择最可能的季节性行为，从而确定未来大流行演变的合理情景，并估计不同半球的大流行活动高峰。我们提供了下一波的住院人数和发病率的估计，以及对疾病参数值的广泛敏感性分析。我们还研究了抗病毒药物的系统治疗使用对流行时间轴的影响。分析显示，北半球可能在10月/11月出现早期流行高峰，可能在大规模疫苗接种运动之前。我们认为，计划额外的缓解政策，如系统的抗病毒治疗可能是延迟活动高峰的关键，以恢复疫苗接种计划的有效性。
2009-09-14 cond-mat.stat-mech physics.soc-ph q-bio.PE
Emergenet: A Digital Twin of Sequence Evolution for Scalable Emergence Risk Assessment of Animal Influenza A Strains
University of Chicago（芝加哥大学）；Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院）；Committee on Immunology, University of Chicago（芝加哥大学免疫学委员会）；Committee on Quantitative Methods in Social, Behavioral, and Health Sciences, University of Chicago（芝加哥大学社会、行为与健康科学定量方法委员会）
本研究针对动物甲型流感病毒株出现潜力评估能力有限的问题，提出Emergenet工具，通过序列进化数字孪生预测变异株出现路径，其性能优于现有方法且速度大幅提升，为大流行预防提供新途径。
2024-11-26 cs.LG q-bio.PE stat.ML
Exploiting routinely collected severe case data to monitor and predict influenza outbreaks
流感仍然是卫生系统的重大负担。有效的应对措施取决于及时了解疫情的规模和演变。为了监测的目的，每周向英格兰公共卫生部报告英格兰严重流感病例的数据。这些数据既容易获得，又有可能为估计和预测季节性流感和大流行性流感的主要传播特征提供有价值的信息。我们提出了一个流行病模型，该模型将潜在的未观察到的流感传播过程与严重流感病例的数据联系起来。在贝叶斯框架内，我们回顾性地推断了2012年至2015年每个季节性疫情的流行病模型参数，包括：有效繁殖数;初始易感性;给定感染的重症监护入院概率;以及学校关闭对传播的影响。该模型还实时实施，以评估是否有可能早期预测重症监护的入院人数。我们的入院数据模型可以重建潜在的传播动态，揭示：2013/14赛季期间的传播增加，以及2012/13和2014/15赛季期间圣诞节学校假期对疾病传播的显著影响。如果能够获得关于人口初始免疫力的信息，就可以大大改善对重症监护入院人数的预测。现有的严重病例数据可有效地用于估计流行病学特征和预测流行病的演变，至关重要的是可以实时监测疫情的传播和严重程度。
2017-11-13 physics.soc-ph q-bio.PE stat.AP
Protocol for an Observational Study on the Effects of Social Distancing on Influenza-Like Illness and COVID-19
新型冠状病毒病（COVID-19）是一种高度传染性的呼吸道疾病，于2019年12月在中国武汉首次发现，此后在全球范围内传播，截至本协议撰写时已造成69，000多人死亡。人们普遍认为，缓解大流行最有效的公共政策是\emph{social and physical distancing}：与人保持至少六英尺的距离，在家工作，关闭非必要的企业等。然而，很少有研究以透明和合理的方式调查社交距离对减轻疾病的影响。我们建议执行一个最佳的非二分匹配对县相似的观察到的协变量，但在第一周（3月16日通过匹配22日）的总统的\emph{15 Days to Slow the Spread}运动的平均社会距离得分有很大不同。我们总共生成了两个美国县的$302$对，共$16$重要变量具有良好的协变量平衡。我们的主要结果将是Kinsa Inc.收集的平均观察到的疾病。干预期后两周。虽然观察到的疾病并不能直接衡量COVID-19，但它反映了大流行的实时方面，而且与确诊病例不同，它受到县检测能力的干扰要小得多。我们还将干预期后3周观察到的疾病视为次要结局。我们将使用协方差调整的随机化检验检验比例治疗效应，并进行敏感性分析。
2020-04-06 q-bio.PE
Learning Pareto-Optimal Pandemic Intervention Policies with MORL
本研究提出结合多目标强化学习与高保真随机微分方程疫情模拟器的框架，训练帕累托条件网络智能体，挖掘不同传染病防控中卫生与经济的策略权衡，为循证公共卫生政策制定提供支持。
2025-10-02 cs.AI cs.CY cs.LG
Modeling the Dynamics of the Coronavirus SARS-CoV-2 Pandemic using Modified SIR Model with the 'Damped-Oscillator' Dynamics of the Effective Reproduction Number
COVID-19大流行是一场巨大的灾难，它颠覆了人类的生活，并导致全球数百万人死亡。病毒的快速传播，早期的指数增长和随后的“浪潮”，让许多医疗专业人员和决策者措手不及。尽管流行病学模型已经存在了近一个世纪（自1918年至1920年的“西班牙流感”大流行以来），但SARS-CoV-2病毒的真实传播经常使建模者感到困惑。虽然流行病学模型的一般框架，如SEIR（易感-暴露-感染-恢复）或SIR（易感-暴露-感染）没有问题，模型参数的行为是不可预测的和复杂的。特别是，虽然“基本”繁殖数R 0可以被认为是一个常数（对于原始SARS-CoV-2病毒，在变异体出现之前，R 0在2.5和3.0之间），但“有效”繁殖数R（t）是一个复杂的时间函数，受人类对大流行的反应行为的影响（例如，屏蔽、锁定、过渡到远程工作等）为了更好地理解这些现象，我们使用简单的SIR模型对一些地区（美国50个州以及几个国家）的大流行第一年（2020年2月至2021年2月）进行了建模。我们表明，大流行的演变可以很成功地描述假设R（t）的行为在一个“粘弹性”的方式，作为两个或三个“阻尼振荡器”具有不同的自然频率和阻尼系数的总和。这些振荡器可能对应于对拟议缓解措施有不同反应的不同亚群体。所提出的方法可以为未来的数据建模者提供新的方法来适应再现数随时间的演变（与当今最流行的纯数据驱动方法相比）。
2022-05-29 q-bio.PE
Multiwave pandemic dynamics explained: How to tame the next wave of infectious diseases
大流行病，如1918年西班牙流感和COVID-19，在随后的浪潮中蔓延到世界各地。然而，对这种模式的起源没有达成共识，它可能源于人类行为，而不是病毒扩散本身。历史悠久的SIR模型或其他基于复杂网络的模型很好地描述了疾病的指数传播，但不能自然地适应波型。然而，了解这一时间结构对于制定有效的预防措施至关重要。在这里，我们提出了一个一致的图片的波模式的基础上流行病重新规范化组（eRG）的框架，这是由全球对称性的系统下的时间重新缩放。我们发现，疾病的传播速度可以解释为一个时间膨胀对称，而流行病发作的最后阶段对应于达到一个时间尺度不变的状态。我们发现，两个波之间的地方病期是一个不稳定的系统中，与时间尺度不变性的近破的迹象。这种现象可以用具有复杂固定点的eRG模型来描述。我们的研究结果表明，控制下一波大流行到来的关键是在两波之间的徘徊期，即感染人数线性增长的时候。因此，在此期间限制病毒扩散是预防或延迟下一波病毒到来的最有效方法。在这项工作中，我们确立了一项新的指导原则，用于制定政府中期战略，以遏制流行病，避免反复出现感染浪潮，造成人员伤亡和经济损失。
2020-11-25 physics.soc-ph q-bio.PE
A Queueing-Theoretic Framework for Evaluating Transmission Risks in Service Facilities During a Pandemic
我们提出了一个新的模型框架，用于评估大流行期间疾病传播的风险，在小规模环境中，由到达和服务过程中的随机性驱动，即，易发生火灾的有限空间服务设施，如杂货店。我们提出了一个新的度量（$R_0^{\mathsf{sys}}$）的启发$R_0$，“基本繁殖数”的概念，从流行病学，衡量传染病的传播。我们得到的$R_0^{\mathsf{sys}}$度量各种排队模型的服务设施，利用一种新的排队理论的概念：逗留时间重叠。我们展示了我们的指标如何用于探索旨在遏制服务设施内疾病传播的各种干预措施的有效性。具体而言，我们专注于COVID-19疫情期间采用的一些普遍干预措施：限制服务设施的占用率、保护高风险客户（通过优先级或指定时间窗）以及提高服务速度（或限制乘客持续时间）。我们讨论了各种方向，以适应我们的传播模型，将一些更细微的疾病传播的功能，包括在人口免疫水平的异质性，口罩使用的不同水平，在疾病传播的空间考虑。
2021-03-24 math.PR q-bio.PE
Using Interpretable Machine Learning to Massively Increase the Number of Antibody-Virus Interactions Across Studies
Fred Hutchinson Cancer Research Center（弗雷德·哈钦森癌症研究中心）；Stanford University（斯坦福大学）
针对流感病毒变体数据集重叠度低的问题，开发可解释机器学习计算框架，在20万次测量上验证并预测200万个新抗体抑制值，大幅扩展7个流感数据集，为大流行防范提供工具。
2022-10-30 cs.LG q-bio.BM q-bio.PE
What the reproductive number R_0 can and cannot tell us about COVID-19 dynamics
生殖数R_0（及其在初始疾病出现R后的值）长期以来一直被用来预测病原体入侵的可能性，衡量流行病的潜在严重程度，并制定干预政策。然而，经常被忽视的复杂性已经在度量的使用方面产生了混乱。这一点在新出现的大流行性病毒SARS-CoV-2（COVID-19的病原体）中尤为明显。我们解决了其中的一些误解，即R如何随时间变化，随空间变化，并通过引用R的数学定义和当前流行病的例子与流行病规模相关。我们希望，更好地理解R的用途、细微差别和局限性，有助于更好地理解SARS-CoV-2背景下的流行病传播、流行病严重程度和干预措施的效果。
2020-06-25 physics.soc-ph q-bio.PE
Optimizing infectious disease mitigation under dynamic conditions
在动态条件下，研究发现最优防控策略需严格或完全不采取，季节性变化影响防控强度，且延迟防控会显著增加成本。
2025-12-12 math.OC q-bio.PE
Spatial dynamics of airborne infectious diseases
疾病爆发，如2003年的严重急性呼吸系统综合征和2009年的甲型H1N1流感大流行，突出了室内环境中空气传播的可能性。携带病原体的可呼吸液滴提供了感染空间传播的载体，其液滴运输由扩散和对流过程决定。提出了一个描述疾病传播空间动力学的流行病模型。环境气流的影响，作为感染控制，被纳入导致一个延迟方程，液滴密度依赖于在以前的时间的感染密度。发现小液滴（$\sim 0.4\ μ$ m）由于小的病毒载量和它们传播感染所需的相关持续时间而产生可忽略的感染力。相比之下，较大的液滴（$\sim 4\ μ$ m）可导致传染波传播通过完全易感人群或局部易感人群的二次感染爆发。发现液滴扩散是导致感染的最小空间传播的液滴运输的低效模式。推导出一个临界空气速度，在该速度以上，即使基本再生数$R_{0}$超过1，疾病传播也会受到损害。
2011-12-15 physics.soc-ph q-bio.PE
A generalized-growth model to characterize the early ascending phase of infectious disease outbreaks
为了剖析疾病传播的重要驱动因素，需要更好地描述流行病的早期增长动态。我们引入了一个2参数广义增长模型来描述疾病爆发的上升阶段，并捕捉从次指数到指数增长的流行特征。我们对代表各种病毒病原体的经验爆发数据进行了模型测试，并提供了模拟，强调了次指数增长对预测的重要性。我们将广义增长模型应用于代表一系列传播途径的20种传染病暴发。我们发现了从非常缓慢的增长（2014年利比里亚博米的埃博拉疫情p=0.14）到接近指数级的增长（1972年库尔纳的天花疫情p>0.9）和1918年旧金山的大流行性流感）。乌拉圭爆发的口蹄疫呈现出增长较慢的情况，而日本的艾滋病毒/艾滋病流行病的增长模式大致呈线性。西非埃博拉疫情提供了一个独特的机会，探讨如何增长曲线不同的地理;分析最大的区级疫情显示了巨大的增长差异（平均p=0.59，范围：0.14-0.97）。我们的研究结果揭示了不同传染病爆发的流行病增长模式的显着差异，并强调了次指数增长是一种常见现象。亚指数增长曲线可能来自接触结构或风险群体的异质性、反应性行为变化或干预策略的早期启动，考虑“减速参数”可能有助于完善现有的数学传播模型并改善疾病预测。
2016-01-15 q-bio.PE q-bio.QM
AI-Based Decadal Predictive Analysis of Twenty Infectious Diseases in China with an Improved BSTS-MCMC Model
本研究采用改进的BSTS-MCMC模型结合LSTM网络，分析中国二十种传染病的十年趋势，预测高发病率疾病持续流行、低发病率疾病可能消失，并强调COVID-19的变革性影响及先进预测分析在公共卫生防范中的关键作用。
2023-10-06 q-bio.PE
