Future of COVID-19 in Italy: A mathematical perspective
我们提出了一个SEIR分室数学模型。这项研究的主要目的是分析和预测意大利未来几个月的大流行。计算了基本再生数。根据意大利目前的情况，本文将估计该国大流行结束的可能时间。本报告亦讨论了封锁和快速隔离对疫情传播的影响。此外，我们还研究了意大利受大流行影响最严重的四个地区。使用所提出的模型，预测已在这些地区的大流行的持续时间。还研究了模型敏感参数对应的基本再生数的变化。
2020-04-18 math.DS q-bio.PE
Network-based Prediction of COVID-19 Epidemic Spreading in Italy
SARS-CoV-2病毒最初出现在中国武汉市，随后几乎在全球范围内传播，导致大流行，在中国病例中，该病毒在接触网络上相当好地遵循SIR（易感-传染-隔离）流行模型。在本文中，我们调查的SIR模型对网络的预测精度也为意大利。具体来说，意大利地区是一个集合种群代表的网络节点和网络链接是这些地区之间的相互作用。然后，我们修改了基于网络的SIR模型，以考虑意大利政府在COVID-19传播的各个阶段采取的不同封锁措施。我们的研究结果表明，基于网络的模型更好地预测每日累计感染的个人时，随时间变化的锁定协议被纳入经典的SIR模型。
2020-10-27 cs.SI physics.soc-ph q-bio.PE
Modelling the second wave of COVID-19 infections in France and Italy via a Stochastic SEIR model
COVID-19迫使全球多个国家采取隔离措施。事实证明，这些措施有效地大大降低了病毒的流行率。迄今为止，没有有效的治疗方法或疫苗。为了保护公众健康以及经济和社会结构，法国和意大利政府已部分解除封锁措施。在此，我们使用敏感-暴露（SEIR）模型推断两国疫情的长期行为，其中参数被随机扰动，以处理COVID-19患病率估计的不确定性。我们的结果表明，参数和初始条件的不确定性在模型中迅速传播，并可能导致流行病的不同结果，导致或不导致第二波感染。使用实际知识，在这两个国家，COVID-19流行率的渐近估计值可能会波动1000万单位。
2020-06-09 physics.soc-ph q-bio.PE
The Data Forecast in COVID-19 Model with Applications to US, South Korea, Brazil, India, Russia and Italy
本文首先建立了SQIARD和SIARD模型，研究了COVID-19在检疫、感染和无症状感染情况下的传播，并讨论了各自的基本再生数$R_0, R_Q$与模型平衡点稳定性的关系。其次，在对相关数据参数进行训练后，在数值模拟中分别对美国、韩国、巴西、印度、俄罗斯和意大利的数据进行预测，并对各国的疫情进行预测效果分析。此外，我们应用美国的数据比较SQIARD和SIARD，并显示预测的效果。
2021-06-13 physics.soc-ph q-bio.PE
On the uncertainty of real-time predictions of epidemic growths: a COVID-19 case study for China and Italy
虽然COVID-19在全球迅速传播，但提供疫情实时预测的需求推动了动态和统计模型对可用数据的适应，超出了其能力。在这里，我们专注于通过将渐近分布拟合到实际数据来进行COVID-19感染的统计预测。通过对中国各省和意大利地区的COVID-19感染总数的流行演变进行案例研究，我们发现，在疫情增长的早期阶段，预测的特点是具有很大的不确定性。这些不确定性在流行病达到高峰后大大减少。区域一级预测不确定性的差异可用来突出病毒传播的延迟。我们的研究结果警告说，长期外推的流行病计数必须极其小心地处理，因为它们不仅取决于数据的质量，而且还取决于流行病的阶段，由于内在的非线性本质的基本动力学。这些结果表明，实时流行病学预测应包括广泛的不确定性范围，并迫切需要编制高质量的感染计数数据集，包括无症状患者。
2020-04-20 physics.soc-ph q-bio.PE
Interrupting vaccination policies can greatly spread SARS-CoV-2 and enhance mortality from COVID-19 disease: the AstraZeneca case for France and Italy
由于怀疑阿斯利康疫苗会导致深静脉血栓形成，欧洲多个国家已经暂停接种阿斯利康疫苗。在这封信中，我们报告了使用随机模型进行的一些费米估计，旨在对阿斯利康疫苗在法国和意大利的交付中断进行风险效益分析。我们的研究结果清楚地表明，即使在疫苗副作用的频率和严重性的最坏情况下，由于疫苗接种活动注射中断而导致的额外死亡也大大超过了由于血栓形成而导致的死亡。
2021-03-27 physics.soc-ph q-bio.PE
A Data-Driven Network Model for the Emerging COVID-19 Epidemics in Wuhan, Toronto and Italy
持续的2019冠状病毒病（COVID-19）大流行威胁人类健康并造成巨大经济损失。建立预测模型和预测流行趋势对于制定缓解这一流行病的对策至关重要。我们开发了一个网络模型，其中每个节点代表一个个体，边缘代表感染可能传播的个体之间的接触。这些人根据他们每天接触的人数（他们的节点程度）和他们的感染状态进行分类。使用马尔可夫链蒙特卡罗（MCMC）优化算法，将传播网络模型分别拟合到武汉（中国）、多伦多（加拿大）和意大利共和国的COVID-19疫情报告数据。我们的模型很好地拟合了这三个地区，置信区间很窄，可以适用于模拟其他特大城市或地区。关于遏制战略作用的模型预测可帮助公共卫生当局规划控制措施。
2020-05-28 physics.soc-ph q-bio.PE
Hospitalization dynamics during the first COVID-19 pandemic wave: SIR modelling compared to Belgium, France, Italy, Switzerland and New York City data
利用经典的易感-感染-治愈流行病学模型，推导出了新冠肺炎患者占用床位数的解析公式。分析曲线与比利时、法国、纽约市和瑞士的数据拟合，相关系数超过98.8%，这表明对于这样的宏观数据，更精细的模型是不必要的。拟合用于提取流行病上升阶段的倍增时间、平均恢复时间以及需要医疗干预者的平均住院时间的估计数。在不同的暴发中可以观察到很大的差异。
2021-02-19 physics.soc-ph q-bio.PE
Solvable delay model for epidemic spreading: the case of Covid-19 in Italy
我们研究了一个简单的现实模型，用于描述传染病在人群中的扩散。的动态是由一个单一的功能延迟微分方程，其中，在一个大的人口的情况下，可以精确地解决，即使在存在的时间依赖性的感染率。这种延迟模型比流行病学中常用的所谓SIR模型具有更高的准确度，SIR模型是用常微分方程来表示的。我们应用此模型描述新型传染病Covid-19在意大利的爆发，并考虑到政府为减缓病毒传播而实施的遏制措施以及人口的社会成本。
2020-09-10 cond-mat.stat-mech physics.soc-ph q-bio.PE
The short-term seasonal analyses between atmospheric environment and COVID-19 in epidemic areas of Cities in Australia, South Korea, and Italy
COVID-19疫情对健康的影响受到广泛关注。疾病风险评估、预测和预警已成为一个重要的研究领域。以前的研究表明，空气质量和疾病之间存在联系。利用澳大利亚、韩国和意大利3个国家的大气环境数据、已证实的病例数据和基于拟泊松回归的分布滞后非线性模型（DLNM），研究了大气环境对基本生殖数（R $_0$）的影响。结果表明：气温和湿度对短期R $_0$具有滞后性和持续性，季节因子对R $_0$具有明显的装饰作用。PM $_{10}$是影响超额发病率的主要污染物。此外，作为扰动因子的O $_3$、PM $_{2.5}$和SO $_2$具有明显的累积效应。这些结果为环境与COVID-19之间的相关性提供了有益的知识，可指导疾病数据的前瞻性分析。
2020-05-23 physics.soc-ph q-bio.PE
On the relation of the COVID-19 reproduction number to the explosive timescales: the case of Italy
传染病讨论的一个重要问题是它的基本再生数R 0，它提供了疾病传染性的估计。当R 0> 1时，疾病传播将可能导致爆发，例如正在进行的COVID-19大流行。在疾病暴发的演变过程中，采用了各种非药物干预措施，其影响通常通过它们引入的有效繁殖数Rt的减少来评估;减少到1以下是疾病传播最终消亡的迹象。由于R 0基本上表达了无病平衡的稳定性，在这项工作中，从时标分析的角度研究了Rt。研究表明，在意大利COVID-19疫情演变期间，当各种干预措施到位时，Rt与表征疫情动态的爆炸性时间尺度有明显关系。特别是，它表明，在流行病的进展过程中存在一个爆炸性的时间尺度意味着Rt > 1，而它的缺席意味着Rt < 1。此外，当该时间尺度与最慢的时间尺度收敛/发散时，Rt接近/退出其阈值1。这些结果表明，时间尺度分析可用于评估各种干预措施的影响，因为它反映了有效繁殖数提供的洞察力，而不受人口模型选择的阻碍，也不受模型校准所遵循的参数估计过程的影响。
2021-01-15 math.DS physics.soc-ph q-bio.PE
Modelling the spread of Covid19 in Italy using a revised version of the SIR model
在本文中，我们提出了一个模型来预测COVID-19疫情的传播，并将其应用于意大利的具体案例。我们从一个简单的易感、受感染、被感染（SIR）模型开始，并添加了一个条件，即在一定时间后，基本繁殖数$R_0$随时间呈指数衰减，正如世界数据所表明的那样。使用这个模型，我们能够再现流行病的真实行为，平均误差为5%。此外，我们说明了未来可能的情况下，与不同的间隔$R_0$。该模型自2020年3月初以来一直在使用，预测2020年4月意大利的疫情高峰约为10万例。疫情的真正高峰发生在2020年4月20日，有10.8万例活动病例。这一结果表明，该模型对意大利的情况具有预测能力。
2020-05-19 physics.soc-ph q-bio.PE
A Note on the Evolution of Covid-19 in Italy
我们采用了物理学中大量使用的方法，在分析动力系统的演化时，研究了意大利新冠病毒感染的模式。我们采用的技术是基于使用逻辑函数及其衍生物，即哈伯特函数。后者用于预测每天的感染人数。我们还提到了利用其他数学工具的可能性，例如基于Gompertz方程，并对不同的预测能力进行了一些比较。
2020-03-19 q-bio.PE
Predicting the evolution of the COVID-19 epidemic with the A-SIR model: Lombardy, Italy and São Paulo state, Brazil
存在大量感染者，但症状很少或没有症状，这是一个重要的流行病学难题，也是COVID-19的主要数学特征。Giuseppe Gaeta，arXiv：2003.08720 [q-bio.PE]（2020）提出了A-SIR模型，即SIR（易感-感染-移除）模型，其中包含无症状或症状很少的感染个体的隔室。在本文中，我们调查了一个稍微广义的版本相同的模型，并提出了一个计划，用于拟合的参数模型的真实数据，仅使用时间序列的死者个人。该方案适用于意大利伦巴第和巴西圣保罗州的具体案例，显示了流行病的不同方面。对于每种情况下，我们表明，我们可能有很好的适合到目前为止的数据，但在未来的行为有很大的差异。这种不同结果背后的原因是一个关键参数的值的不确定性，感染者完全有症状的概率，以及所采取的社交距离措施的强度。这一结论加强了努力确定人群中有症状或无症状的感染者的真实数量的必要性。
2020-08-17 math.DS q-bio.PE
A nucleation and growth model for COVID-19 epidemic in Japan
通过动态相变的基本方程分析了日本和东京的COVID-19疫情。结果发现，该流行病与随机成核和线性增长模型非常一致，表明2020年3月13日至2020年5月22日之间的流行病仅受三个常数参数的限制：初始易感性，域增长率和成核衰减常数。该模型提供了一个很好的预测流行病，因为它由一个方程和初始特定的情节是线性的。
2020-08-01 physics.soc-ph q-bio.PE
The impact of a nation-wide lockdown on COVID-19 transmissibility in Italy
2020年3月10日，意大利实施全国封锁，以遏制COVID-19的传播。在此，我们估计，在实施该战略14天后，净繁殖数量已降至流行阈值以下-估计范围为0.4-0.7。我们的调查结果提供了实施封锁有效性的时间轴，这对于大量效仿意大利实施类似措施的国家来说是相关的。
2020-04-26 q-bio.PE
The hidden side of COVID-19 spread in Italy
背景该文件涉及SARS-CoV 2（COVID-19）大流行，自2020年2月底开始沿意大利半岛蔓延，首先袭击北部地区的小社区，然后扩展到意大利中部和南部，包括两个主要岛屿。Objective.建立一个预测模型，设法提醒决策机构，特别是医疗保健系统，以阻止任何其他大流行爆发的出现，或随后的大流行浪潮的到来。方法.给出了一个新的描述大流行的数学模型。该模型包含了未确诊的感染者，并具有多区域扩展，以应对疫情在时间和空间上的异质性。结果我们得到了一个强大的和可靠的工具，预测的总和活跃的情况下，它也可以用来模拟不同的情况。结论.我们能够解决多项问题，例如评估意大利自二零二零年三月十一日起实施的封城措施，以及如何采用快速筛查测试活动以控制疫情。
2020-06-11 physics.soc-ph q-bio.PE
SEAIR epidemic spreading model of COVID-19
我们研究了COVID-19的易感-暴露-隔离-传染-隔离（SEAIR）传染病传播模型。它抓住了COVID-19传染性的两个重要特征：延迟开始和在症状出现之前出现，甚至完全没有症状。在随机正则图和复杂网络上，分别对该模型进行了连续时间分区和离散时间分区的理论分析。我们分析表明，有流行病的阈值和方程的易感人群在地方病平衡在所有三个版本，当流行病是弱的。我们提供的理论论据，一个节点的特征向量中心性近似决定其被感染的风险。
2020-08-28 physics.soc-ph q-bio.PE
Predicting the ultimate outcome of the COVID-19 outbreak in Italy
于COVID-19爆发期间，监察政府在疫情过程中所采取措施的有效性至关重要。在这里，我们表明，在意大利已经收集了足够的数据来预测这个过程的结果。我们表明，使用适当的度量标准，湖北省和意大利的数据具有惊人的相似性，这使我们能够计算出预期的确诊病例数和过程结束时的死亡人数。我们的预测将随着新数据点的产生而不断改进，这有助于做出进一步的公共决策。该方法是基于数据分析的逻辑增长方程描述的过程在宏观层面上。在撰写第一版时，意大利的死亡人数预计为6000人，预计危机结束时间为2020年4月15日。在这个新版本中，我们讨论了从那时起两周内发生的变化。这一趋势在2020年3月17日发生了巨大变化，当时意大利卫生系统达到了容量极限。如果没有这个限制，可能会有3500多人死亡。相反，由于这些限制，预计现在将有17000人死亡，这是五倍的增长。预计危机结束的时间现在转移到2020年5月8日。
2020-03-31 physics.soc-ph q-bio.PE
Predicting the cumulative number of cases for the COVID-19 epidemic in China from early data
我们对中国的COVID-19冠状病毒疫情进行建模。我们使用早期报告的病例数据来预测报告病例的累积数量，以达到最终规模。我们模型的关键特征是限制社会流动的重大公共政策的实施时机、未报告病例的识别和隔离以及无症状感染病例的影响。
2020-02-27 math.DS q-bio.PE
Phenomenological description of spread of Covid-19 in Italy: people mobility as main factor controlling propagation of infection cases
自2019年底开始，冠状病毒（COVID-19）的传播已在意大利确定了多项旨在防止卫生系统饱和的干预措施。我们已经研究了这些措施的影响，提出了一个平均场模型，描述了一个简单的扩散过程的基础上，所有可观察到的变量的感染传播（对感染仍呈阳性的人数、住院和死亡病例、治愈的人数和感染的总人数）取决于平均参数，即扩散系数，感染截面，和人口密度。虽然这个模型比文献中的其他模型复杂，但它使我们能够直接将流行病统计信息（住院病例，死亡人数，感染人数等）的趋势联系起来。到一个定义明确的可观察的物理量：任何个人每天遇到的平均人数。该模型非常符合流行病数据，并使我们能够将住院病例和疫情死亡人数的时间演变与人员流动性的变化严格联系起来，从而在意大利实施渐进式限制，直到现在（2020年11月15日）。
2020-11-17 physics.soc-ph q-bio.PE
Metastable states in plateaus and multi-wave epidemic dynamics of Covid-19 spreading in Italy
在第一波和第二波疫情期间，意大利公共卫生政策对Covid 19疫情的控制是通过使用再生数Rt（t）来识别临界（消除）、亚临界（停滞），并通过临界状态进行分离。在这里，我们表明，要量化遏制措施下的Covid-19传播率（CSRwCM），需要通过Rt（t）和倍增时间Td（t）的组合构建三维扩展参数空间相图。在这个空间中，我们确定了意大利及其行政区的Covid-19动态。超临界状态的数学特征在于i）Td相对于[Rt（t）-1]的幂律和ii）Td相对于时间的指数行为，在第一波和第二波中。新的三维相图清楚地显示了亚稳态出现之前和之后的第二波临界制度。放松隔离和追踪活跃分子亚稳态是下一个新生波超临界状态突然开始的前兆。这种动态描述允许政策制定者进行所需的流行病预测，以启动非药物干预措施（NPI），这是避免经济损失、减少死亡和避免疫苗接种活动期间出现新病毒变异的关键问题
2021-02-07 q-bio.PE
An ARIMA model to forecast the spread and the final size of COVID-2019 epidemic in Italy
冠状病毒病（COVID-2019）是一种正在全球迅速蔓延的严重新型流行病。意大利被广泛认为是疫情的主要中心之一，至今已录得全球最高的COVID-2019死亡率及死亡人数。在这篇文章中，我估计了一个自回归综合移动平均（ARIMA）模型，通过使用意大利国家和地区层面的流行病学数据来预测2020年4月4日之后的流行趋势。该数据指的是意大利卫生部（www.salute.gov.it）在2020年2月20日至4月4日期间正式登记的每日确诊病例数。这种模式的主要优点是易于管理和适应。此外，它可以通过提出假设的流行病的拐点和最终规模，初步了解基本趋势。
2020-04-06 q-bio.PE stat.AP
Preliminary analysis of COVID-19 spread in Italy with an adaptive SEIRD model
在本文中，我们提出了一个易感-感染-暴露-死亡-死亡（SEIRD）差分模型，用于分析和预测意大利部分地区的COVID-19传播，使用意大利Protezione Civile从2020年2月24日开始的数据。在这项研究中，调查的适应模型。由于意大利政府在不同时间实施了几项限制措施，从2020年3月8日开始，我们建议通过引入时间相关的传输速率来修改SEIRD。在数值结果中，我们报告了最先受到COVID-19疫情影响的三个意大利地区（伦巴第、威尼托和艾米利亚-罗马涅）的最大感染传播。一旦获得更多的数据，这一方法将陆续推广到意大利其他地区。
2020-03-22 q-bio.PE
In Response to COVID-19: Configuration Model of the Epidemic Spreading
提出了一种基于无标度网络的传染病传播结构模型。我们得到的解析解描述了传染病传播的不稳定和稳定的动力学，并演示了如何这些制度可以在流行病的交换。我们将该模型应用于COVID-19病例，并展示了我们模型的预测特征。
2020-07-08 physics.soc-ph q-bio.PE q-bio.QM
The impact of multilateral imported cases of COVID-19 on the epidemic control in China
目前，COVID-19在中国的疫情已得到控制。然而，疫情正在全球迅速发展。由于人口的正常流动，中国面临输入性病例的高风险。潜在的特效药和疫苗仍在临床试验过程中。目前，控制输入性病例的影响是防止COVID-19在中国新爆发的关键。在本文中，我们提出了两个脉冲系统来描述COVID-19多边输入病例的影响。根据已发表的数据，我们模拟和讨论了不同的控制策略下的流行趋势。我们比较了四种不同的情况，并显示相应的医疗负担。研究结果有助于在实际工作中设计合适的输入性病例控制策略。
2020-04-06 math.DS q-bio.PE
A SIDARTHE Model of COVID-19 Epidemic in Italy
2019年12月下旬，中国湖北省武汉市发现了一种新型冠状病毒（SARS-CoV-2），导致严重的、可能致命的呼吸系统综合征（COVID-19），并在世界多个国家引起疫情，很快成为大流行。意大利现已成为亚洲以外疫情最严重的国家：2020年3月16日，意大利民防部门记录了27980例确诊病例，2158人死亡，其中SARS-CoV-2检测呈阳性。在新出现的传染病爆发的情况下，预测流行病的趋势，以便规划有效的控制战略并确定其影响，是至关重要的。本文提出了一个新的流行病模型，根据感染者是否被诊断和症状的严重程度来区分感染者。确诊和未确诊之间的区别很重要，因为未确诊的人比确诊的人更有可能传播感染，因为后者通常是孤立的，可以解释对病死率和流行病现象严重性的误解。能够预测将出现危及生命症状的患者数量非常重要，因为这种疾病经常需要住院治疗（甚至需要入住重症监护室），并挑战医疗保健系统的能力。我们展示了如何在新的框架中重新定义基本繁殖数，从而抓住了遏制流行病的潜力。模拟结果与意大利COVID-19疫情的真实数据进行了比较，以显示模型的有效性，并根据所采取的对策比较不同的可能预测情景。
2020-03-22 cs.SY eess.SY math.DS
Statistical investigation of relationship between spread of coronavirus disease (COVID-19) and environmental factors based on study of four mostly affected places of China and five mostly affected places of Italy
COVID-19是由严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）引起的新型冠状病毒病。它于2019年12月起源于中国，并迅速开始在国内蔓延。2019年12月31日，首次向世界卫生组织（WHO）驻中国国家办事处报告。从那时起，它已经传播到全球大多数国家。然而，最近有一种趋势，认为它会在夏天消失，这还没有得到适当的调查。本文对中国4个疫情最严重的地区，即北京、重庆、上海、武汉和意大利5个疫情最严重的地区，在考虑潜伏期的情况下，对每日确诊病例数与最大相对湿度（RH_max）、最高气温（T_max）和最高风速（WS_max）3个环境因子的关系进行了统计研究，即贝加莫、克雷莫纳、洛迪、米兰。研究发现，与最大相对湿度和最高风速的关系基本上可以忽略不计，而与最高温度的关系介于可忽略不计到中等之间。
2020-03-25 physics.soc-ph q-bio.PE
Modelling the COVID-19 epidemic and the vaccination campaign in Italy by the SUIHTER model
已提出若干流行病学模型以研究COVID-19大流行的演变。在本文中，我们提出了一个扩展的SUIHTER模型，首先介绍了[Parolini等人，Proc R. Soc. A.，2021年]，以分析COVID-19在意大利的传播情况，这是疫苗接种运动和新变种成为主导时存在的原因。特别是，基于临床证据，对变体的具体特征（例如其增加的传播率）和疫苗（例如其预防传播、住院和死亡的功效）进行建模。通过与其他流行病学模型的近期预测能力比较以及不同情景分析，验证了新模型的有效性。
2021-12-22 cs.NA math.NA q-bio.PE
Inferring the COVID-19 infection curve in Italy
本文的目的是展示一种简单的方法，从现有的汇总数据（如死亡和住院人数）推断新的COVID-19感染的时间进程（这是确定遏制策略效果的最重要信息）。用于艾滋病毒/艾滋病的方法被称为“反向计算”，它依赖于对感染和观察到的事件之间的延迟分布的良好估计;假设流行病遵循一个简单的SIR模型，具有已知的世代间隔，那么我们就可以通过最大似然估计定义随时间变化的接触率的参数。我们显示的应用程序的方法从意大利和它的几个地区的数据，它被发现，$R_0$一直低于1 3月20日左右，并在4月初，它是在0.5和0.8之间，在整个意大利和大多数地区。
2020-04-20 q-bio.PE
Coronavirus Covid-19 spreading in Italy: optimizing an epidemiological model with dynamic social distancing through Differential Evolution
本文的目的在于应用最近的流行病学模型，即SEIR与社会距离（SEIR-SD），通过定义随时间变化的社会距离函数，在此扩展，以评估意大利及其两个最重要地区，即，伦巴第和坎帕尼亚。为了有效地使用该模型，必须找到其参数的最合适的值。SEIR-SD模型参数的估计通过使用差分进化，一种启发式优化技术来进行。通过这种方式，我们能够对上述三种情况中的每一种情况评估从今天到病毒传播结束的每日感染病例数，这一数字将达到最高峰的那一天，以及感染病例将非常接近于零的那一天。
2020-04-04 cs.SI physics.soc-ph q-bio.PE
Why can we observe a plateau even in an out of control epidemic outbreak? A SEIR model with the interaction of $n$ distinct populations for Covid-19 in Brazil
本文提出了一个$n$不同人群相互作用结构的SEIR模型来描述COVID-19大流行性疾病的传播。所提出的模型具有灵活性，包括地理上分离的社区，以及考虑到人口老龄化群体及其相互作用。我们表明，不同的假设所提出的模型的动态导致感染人口的高原状曲线，反映了从大国，如巴西收集的数据。这些观察结果旨在提出以下猜想：“正如拟议模型所反映的那样，新冠肺炎从首都向巴西内地的扩散是该国报告病例呈高原状的原因”。我们提出了一些方案的数值模拟和比较与上述结论相印证的报告数据从巴西。
2020-08-03 math.DS physics.soc-ph q-bio.PE
COVID-19 in Mexico: A Network of Epidemics
与世界其他地区一样，墨西哥目前正面临COVID-19疫情。鉴于其领土面积，控制这一疾病的努力涉及国家和区域措施。在这项工作中，比较了联邦政府报告的每个城市每日新病例的曲线。我们发现，114个城市形成了一个大型网络的统计依赖性流行病的现象。根据该网络的模块结构，这114个城市可以分为四个不同的协调流行病现象社区。这些集群不受地理位置的限制。这些发现可以帮助公共卫生官员评估过去的策略和开发新的定向干预措施。
2020-06-20 physics.soc-ph q-bio.PE
Effectiveness of isolation measures with app support to contain COVID-19 epidemics: a parametric approach
在这项研究中，我们分析了旨在发现和隔离感染者以遏制COVID-19等流行病的措施的有效性，因为抑制了有效繁殖数量。我们开发了一个数学模型来计算这些措施产生的流行病的有效繁殖数的相对抑制。这一结果表示为一组参数的函数，这些参数描述了流行病的主要特征，并总结了隔离措施的有效性。特别是，我们专注于当一小部分人口使用移动应用程序进行流行病控制时的影响。最后，我们将该模型应用于COVID-19，提供了几个计算作为示例，并提供了到公共存储库的链接以运行自定义计算。这些计算以定量的方式显示了从症状和接触者追踪信息中识别感染者并尽早隔离他们的重要性。这些计算还评估了每个变量对遏制这一流行病的影响。
2021-10-21 physics.soc-ph q-bio.PE
Assessing the spatio-temporal spread of COVID-19 via compartmental models with diffusion in Italy, USA, and Brazil
2020年爆发的COVID-19疫情引发了人们对传染病数学建模的兴趣。这类模型通常被定义为房室模型，在这种模型中，所研究的人口根据质量特征被划分为房室，对跨房室转移的性质和速率有不同的假设。虽然最常见的是常微分方程（ODE）模型，其中的隔间只依赖于时间，最近的工作也集中在偏微分方程（PDE）模型，纳入空间的变化的流行病。在易感、感染、暴露、死亡和死亡（SEIRD）框架内对PDE模型的研究在再现COVID-19传染动力学方面取得了可喜的成果。在本文中，我们评估的鲁棒性，这种建模框架，考虑不同的几何形状在更长的时间比其他类似的研究。我们首先验证我们的代码复制先前显示的结果，意大利伦巴第大区。然后，我们将重点放在美国佐治亚州和巴西里约热内卢州，这是世界上受影响最严重的地区之一。我们的研究结果显示，在时间和空间上，所有主要地区和三个不同大陆的所有地区的真实流行病学数据都具有良好的一致性，这表明建模方法既有效又稳健。
2021-02-14 physics.soc-ph q-bio.PE
Hyperbolic compartmental models for epidemic spread on networks with uncertain data: application to the emergence of Covid-19 in Italy
空间网络在流行病传播中的重要性是传染病动力学建模的一个重要方面。此外，任何现实的数据驱动模型都必须考虑到官方来源报告的数值中存在的很大不确定性，例如传染性个体的数量。在本文中，我们通过网络上的双曲房室模型来解决上述问题，其中节点识别感兴趣的位置，如城市或地区，弧代表主要移动路径的集合。该模型描述的空间移动和相互作用的人口分区，从流行病学的角度来看，在扩展的隔间结构的基础上，分为通勤者，移动在郊区的规模，和非通勤者，在城市规模的行动。通过扩散重标度，该模型使我们能够恢复经典的扩散方程相关的通勤动力学。数值解的多尺度双曲型系统的不确定性，然后处理使用随机配置方法结合有限体积IMEX方法。该模型能够正确描述流行病在现实城市网络中传播的空间异质性，并通过对意大利COVID-19爆发及其在伦巴第大区传播的研究得到证实。
2021-05-29 cs.NA math.NA physics.soc-ph
Is the epidemic spread related to GDP? Visualizing the distribution of COVID-19 in Chinese Mainland
于二零一九年十二月，中国湖北省武汉市发现COVID-19。SARS-CoV-2在中国春运期间迅速蔓延到整个中国大陆。截至二零二零年二月十九日，中国大陆已报告74 576例COVID-19确诊病例。什么样的城市确诊病例比较多，GDP和确诊病例有没有关系？在这项研究中，我们探索了新冠肺炎确诊病例与地级GDP之间的关系，发现两者之间呈正相关关系。这一发现警告说，当疫情爆发时，高GDP地区应该付出更多的预防和控制努力，因为它们比附近的其他地区有更大的风险。
2020-04-09 physics.soc-ph q-bio.PE
Robustly estimating the COVID19 epidemic curve in northern Italy using all-cause mortality
背景：意大利北部是受新冠疫情影响最严重的地区之一。现在人们普遍认为，在第一名患者被发现之前，病毒已经悄悄地传播了至少两周。在这一沉默阶段，以及在接下来的几周里，当医院系统负担过重时，数据收集的方式不够准确，无法估计流行曲线。为了评估病毒传播的动态和遏制措施的有效性，我们尝试使用全因死亡率数据重建流行曲线。研究方法：我们从国家统计局收集了按年龄分层的全因死亡率数据，以及其他政府机构发布的与COVID相关的死亡数据。使用SEIR模型与估计的暴露死亡时间分布，我们拟合的繁殖数量在不同阶段的传播在区域水平。结果：我们估计在病例1被确定之前的繁殖数为2.6+/-0.1。伦巴第大区的学校关闭使该指数降至1.3。软封锁措施导致R<0.8，当引入硬封锁时没有观察到进一步的降低（例如Emilia-Romagna软封锁0.67 +/-0.07，硬封锁0.69+/-0.071）。在严格封锁期间，>75岁年龄段的生殖数量始终高于其他人群（例如，米兰省为0.98 vs 0.71），这表明退休设施中爆发了疫情。从3月7日开始，贝加莫省和布雷西亚省的生殖数量明显低于采取同样严格封锁措施的其他地区（附近省份：0.73，布雷西亚：0.52，贝加莫0.43），这支持了这些省份的大部分人口在3月初已经感染的假设。
2020-08-09 physics.soc-ph q-bio.PE
A data-driven analysis on the mediation effect of compartment models between control measures and COVID-19 epidemics
本文利用SEIR-QD仓室模型拟合127个国家/地区第一波COVID-19疫情数据，通过中介分析揭示仓室模型在控制措施与疫情动态之间的中介效应，并与线性和神经网络回归结果对比，深化了对控制措施强度与疫情动力学内在关联的理解。
2023-09-22 physics.soc-ph q-bio.PE
Likelihood-Free Dynamical Survival Analysis Applied to the COVID-19 Epidemic in Ohio
动态生存分析（DSA）是一个基于平均场动态的流行病建模框架，适用于个人（代理）水平的感染和恢复历史。最近，DSA已被证明是一个有效的工具，在分析复杂的非马尔可夫流行病的过程，否则难以处理使用标准方法。DSA的优点之一是它以简单但不显式的形式表示典型的流行病数据，其中涉及某些微分方程的解。在这项工作中，我们描述了一个复杂的非马尔可夫DSA模型可以应用到一个特定的数据集的帮助下，适当的数值和统计方案。这些想法是用俄亥俄州COVID-19疫情的数据例子来说明的。
2022-07-31 math.AP math.DS physics.soc-ph
Intermittent non-pharmaceutical strategies to mitigate the COVID-19 epidemic in a network model of Italy via constrained optimization
本文关注的是利用网络流行病学模型设计间歇性非药物策略来减缓COVID-19疫情的传播。具体来说，通过研究一个变分方程的动态感染的网络模型中的流行病传播，我们得出，使用收缩参数，一个条件，可以用来保证，在流行病学方面，有效的繁殖数小于1。这个条件有三个优点：（i）它是容易计算的;（ii）它是直接相关的模型参数;（iii）它可以用来强制执行的可扩展性条件，禁止放大网络系统内的干扰。然后，我们包括满足这样的条件作为约束的模型预测控制问题，以减轻（或抑制）的流行病的传播，同时最大限度地减少干预措施的经济影响。数据驱动的模型，意大利作为一个网络的三个宏观区域（北，中，南），其参数是从实际数据中确定的，是用来说明和评估所提出的控制策略的有效性。
2021-10-04 cs.SY eess.SY math.OC
Reactive Social distancing in a SIR model of epidemics such as COVID-19
提出了一个传染病中的反应性社会距离模型，其中传染率随感染人数而变化。流行病将感染的总人数的最终规模方程可以解析地推导出来，峰值感染比例也可以。该模型可以在例如COVID-19大流行期间帮助规划者。
2020-03-18 q-bio.PE
SEIHRDV: a multi-age multi-group epidemiological model and its validation on the COVID-19 epidemics in Italy
提出多年龄、多场景的 SEIHRDV 流行病学模型，并利用意大利疫情数据验证，以支持干预、疫苗接种与 Green Pass 情景分析及预测。
2025-01-07 cs.NA math.NA q-bio.PE
A parsimonious description and cross-country analysis of COVID-19 epidemic curve
在特定国家，第一波COVID-19疫情的累计死亡人数随时间呈S形曲线。在大多数情况下，该曲线可以很好地用Gompertz函数来描述，该函数由两个基本参数来表征，即初始增长率和第一波流行病消退时的衰减率。这些参数是由社会经济因素和制止流行病的对策决定的。Gompertz模型意味着总死亡人数以指数方式依赖于这些比率之间的比率，因此非常敏感。在这个框架中，瑞典和挪威和许多其他国家的第一波流行病的显着不同的流行曲线进行了分类和讨论，并讨论了它们的有用性规划的缓解战略。
2020-08-06 physics.soc-ph q-bio.PE q-bio.QM
A stochastic epidemic model of COVID-19 disease
为了模拟具有延长潜伏期的疾病的演变以及COVID-19等无症状患者的存在，我们定义了一个简单的离散时间随机SIR型流行病模型。我们既包括潜伏期，也包括隔离区的存在，以捕捉此类疾病的演化动力学。
2020-05-13 q-bio.PE
Modelling the downhill of the Sars-Cov-2 in Italy and a universal forecast of the epidemic in the world
在之前的文章[1]中，我们描述了2月24日至4月1日期间意大利SARS- Cov-2的时间演变。正如我们在[1]中所看到的，一个广义的逻辑斯谛方程同时捕捉了总感染人数和死亡人数的峰值。在本文中，我们的目标是研究缺失的峰，即当前感染的峰（或当前总阳性峰）。在4月7日之后，拭子数量的大幅增加意味着感染曲线的逻辑行为不再起作用。所以我们决定推广这个模型，引入新的参数。此外，我们采用了与[1]（用于估计死亡）相似的方法来评估回收率。通过这种方式，引入一个简单的守恒定律，我们定义了一个具有4个种群的模型：总感染，当前阳性，恢复和死亡。因此，我们提出了一种替代方法，以经典的SIRD模型的SARS-Cov-2疫情的评估。然而，该方法是通用的，因此适用于其他疾病。最后，我们研究了意大利，德国和美国的拭子感染率的行为，并且我们表明，通过研究这个参数，我们恢复了[1]中使用的这三个国家的广义Logistic模型。我们认为，这种趋势可能有助于这种冠状病毒的未来流行。
2020-05-13 nlin.AO q-bio.PE
SUIHTER: A new mathematical model for COVID-19. Application to the analysis of the second epidemic outbreak in Italy
COVID-19疫情是上个世纪影响人类的一长串大流行病中的最后一次。在本文中，我们提出了一个新的数学流行病学模型命名为SUIHTER从七个隔间的名称，它包括：易感未感染的个人（S），未检测到的（无症状和有症状）感染（U），隔离（I），住院（H），威胁（T），灭绝（E）和恢复（R）。一个合适的参数校准，是基于最小二乘法和马尔可夫链蒙特卡罗（MCMC）方法的结合使用，提出了再现过去的历史，在意大利的流行病，出现在2月下旬，至今仍在进行中，并验证SUIHTER在其预测能力。新模型的一个显著特点是，它允许在模型分区和意大利民防局每天提供的数据之间采用一对一的校准策略。然后将新模型应用于意大利疫情的分析，重点是2020年秋季出现的第二次疫情。特别是，我们表明，流行病学模型SUIHTER可以适当地用于在国家一级进行情景分析的预测方式。
2021-04-26 cs.NA math.NA q-bio.PE
Understanding Epidemic Data and Statistics: A case study of COVID-19
2019年新型冠状病毒（COVID-19）已影响116个国家（截至3月12日），确诊病例超过118，000例。了解每天受影响的每个国家的感染传播动态并评估控制政策的有效性对我们采取进一步行动至关重要。迄今为止，COVID-19报告病例的统计数据显示，超过80%的感染者患有轻度疾病，而约14%的感染者患有严重疾病，约5%被归类为危重病患者。今天的报告（2020-03-12;每日更新在准备好的网站）显示，中国，韩国，意大利和伊朗的COVID-19确诊病例分别为80932，7869，12462和10075;分别。计算意大利的总病死率（CFR）（2020-03-04），约7.9%的确诊病例死亡。与韩国的0.76%（比意大利低10倍）和中国的3.8%（比意大利低50%）相比，意大利的CFR太高了。有一些有效的政策使案件趋势发生了重大变化。中国和意大利的封锁政策（11天后观察到的影响），湖北所有非必要公司的关闭（5天后观察到的影响），韩国的综合政策和伊朗的减少工作时间。
2020-03-15 q-bio.PE
Periodic recurrent waves of Covid-19 epidemics and vaccination campaign
虽然了解新冠肺炎疫情的周期性复发波将有助于抗击大流行病，但缺乏对疫情爆发后两年期间数据的定量分析。Covid-19复发波的复杂性与i）为减缓流行病传播而实施的遏制措施ii）病毒基因突变率及iii）通过接种疫苗实施的宿主可变免疫反应的同时作用有关。这项工作的重点是大规模疫苗接种和基因变异对复发波的影响，在一个有代表性的国家实施缓解和疫苗接种战略的情况下。传播速率是通过繁殖数Rt（t）和倍增时间Td（t）之间的比率（称为RIC指数）和每日死亡数来衡量的。通过小波分析研究了Covid-19流行病的动态，并用3D空间中的非线性螺旋涡表示，其中RIC指数和死亡人数都随时间变化。周期性回归波的开始已被确定的过渡从收敛到发散轨迹的螺旋涡。我们报告了120天的复发波的主要时期和疫苗接种运动后这一时期的延长
2022-06-07 physics.soc-ph q-bio.PE
Inversion of a SIR-based model: a critical analysis about the application to COVID-19 epidemic
利用COVID-19大流行病的官方国际数据校准SIR（易感-感染-传播）模型提供了一个很好的例子，说明了逆问题解决方案固有的困难。逆建模是建立在离散反问题的框架，明确考虑的作用和数据的相关性。结合模型的物理特性，本文讨论了SIR模型参数的数值校准问题，讨论了国际权威机构提供的数据中的不确定性，它们如何影响校准模型参数的可靠性，并最终影响模型预测的可靠性。
2020-06-08 physics.soc-ph q-bio.PE
Intermittent yet coordinated regional strategies can alleviate the COVID-19 epidemic: a network model of the Italian case
2019年底在中国武汉出现的COVID-19疫情对意大利的打击尤为严重，导致意大利实施了严格的全国封锁规定（第一阶段）。目前，意大利国内外正在就重启一个国家以退出国家封锁（第二阶段）的最佳策略进行激烈的辩论。以前的研究集中在国家一级可能重新启动的情景建模，忽略了意大利和世界其他国家一样，被划分为行政区域，这些行政区域可以独立监督自己在意大利国家卫生服务中的份额。在这项研究中，我们表明，区域主义和地区之间的异质性，是必不可少的了解流行病的传播，更重要的是，设计有效的封锁后的战略，以控制疾病。为了实现这一目标，我们将意大利建模为一个区域网络，并根据从最初爆发起近两个月的真实数据对每个区域的模型进行参数化。使用该模型，我们确认了意大利政府迄今为止为减缓疾病传播而实施的国家封锁战略在区域层面的有效性，并显示了其在区域层面的有效性。我们还建议，在第二阶段，尽管协调，但有区别的区域干预措施可以有效地重新启动国家，避免未来再次出现疫情，同时避免区域卫生系统饱和，减轻对成本的影响。我们的研究和方法可以很容易地扩展到其他粒度级别（同一地区的省或县或其他联邦国家的州等）。支持政策制定者和决策者。
2020-05-15 physics.soc-ph q-bio.PE
Superposition of waves for modeling COVID-19 epidemic in the world and in the countries with the maximum number of infected people in the first half of 2020
2020年上半年，基于逻辑离散方程系统，对全球及美国、巴西、俄罗斯、印度等感染人数最多的国家进行了COVID-19疫情传播的数学建模。结果表明，对于采取强限制措施的国家，COVID-19的传播符合一个容量较小的单波，而对于违反限制措施的一些国家，疫情的传播符合一个波叠加。对于人口混合较多的国家来说，今天的疫情传播也符合单一浪潮，但具有巨大的容量值（巴西-8 000万人，印度-4 000万人）。我们估计，当今世界的流行病传播可分为5波。前两波是由中国的疫情传播引起的（第一波-在武汉），第三波-由欧洲国家的疫情传播引起的，第四波主要是由俄罗斯和美国的疫情传播引起的，第五波主要是由拉丁美洲和南亚的疫情传播引起的。这是第五波，导致冠状病毒疫情COVID-19的传播进入新阶段，感染人数增加超过10万居民。对于所有研究的国家和世界，对于每个叠加波，计算波容量和增长指标。确定波的局部峰值及其结束时间。这是第五波导致COVID-19传播进入新阶段的事实，感染人数增加超过10万居民。对于所有被检查的国家和整个世界，对于每个叠加波，我们计算了波容量和感染者增长指数。
2020-07-05 physics.soc-ph q-bio.PE
Optimal Control to Limit the Spread of COVID-19 in Italy
我们将最优控制理论应用于广义SEIR型模型。建议的系统有三项控制措施，分别为社交距离、预防手段及治疗措施，以对抗COVID-19疫情的传播。我们分析这样的最优控制问题，在意大利的实际数据传输。我们的研究结果表明，该模型的适当性，特别是在隔离/住院（确诊和感染）和康复的个人的数量。考虑庞特里亚金控制，我们展示了如何在一个完美的世界中，可以大大减少易感，暴露，感染，隔离/住院和死亡的个人的数量，通过增加不敏感/保护的人口。
2021-07-25 math.OC q-bio.PE
Rational evaluation of various epidemic models based on the COVID-19 data of China
基于赤池信息量准则、均方根误差和鲁棒系数，对7种经验函数、4种统计推断方法和5种动力学模型的预测能力进行了合理的评价。对于中国COVID-19疫情的爆发数据，我们发现在拐点之前，所有模型都无法做出可靠的预测。Logistic函数始终低估了最终的流行规模，而Gompertz函数在所有情况下都高估了。在统计推断方法中，序贯贝叶斯方法和时间依赖的再生数方法在流行后期更准确。而指数增长法关于拐点的从低估到高估的过渡性行为可能有助于构造更可靠的预测。与基于ODE的SIR、SEIR和SEIR-AHQ模型相比，SEIR-QD和SEIR-PO模型在研究COVID-19疫情方面总体表现出更好的性能，我们认为其成功可归因于模型复杂性和拟合精度之间的适当权衡。我们的发现不仅对COVID-19疫情的预测至关重要，而且可能适用于其他传染病。
2021-09-15 math.DS q-bio.PE q-bio.QM
