COVID-19 and India: What Next?
该研究基于2020年4月1日至6月20日期间公开的COVID-19数据进行预测建模，这些数据涉及印度及其五个感染最严重的州：马哈拉施特拉邦，泰米尔纳德邦，德里，古吉拉特邦和拉贾斯坦邦，使用易感，感染，康复和死亡（SIRD）模型。基本再生数R 0是使用RStudio软件包R 0通过指数增长法导出的。采用Python3.7.4语言，在QuixyterNotebook平台上对反映SIRD模型的微分方程组进行了求解。对于可视化，使用Python Matplotlib 3.2.1包。该研究提供了有关印度及其五个州的高峰日期，COVID-19感染高峰数量以及结束日期的见解。政治领导层、卫生当局和行业元老可以利用这些结果进行政策规划和执行。
2020-07-24 physics.soc-ph q-bio.PE
Forecasting the daily and cumulative number of cases for the COVID-19 pandemic in India
持续的新型冠状病毒疫情已于二零二零年三月十一日被世界卫生组织宣布为大流行，而印度政府已宣布自二零二零年三月二十五日起在全国范围内实施封锁，以防止COVID-19的社区传播。由于缺乏特异性抗病毒药物或疫苗，数学建模在更好地理解疾病动态和设计控制快速传播的传染病的策略方面发挥着重要作用。在我们的研究中，我们开发了一个新的房室模型，解释了COVID-19的传播动力学。我们使用印度恰尔肯德邦、古吉拉特邦、安得拉邦和昌迪加尔四个省的每日COVID-19数据校准了我们提出的模型。我们研究了模型的定性性质，包括可行平衡点及其关于基本再生数$\mathcal{R}_0$的稳定性。无病平衡点随着感染者恢复率的增加而稳定，地方病平衡点随着感染者恢复率的增加而不稳定，但当疾病传播率保持较高时，地方病平衡点始终保持稳定。对于估计的模型参数，所有四个省的$\mathcal{R}_0 >1$，这表明COVID-19的重大爆发。短期预测显示，印度四个省的COVID-19每日和累积病例呈上升趋势。
2020-06-25 physics.soc-ph q-bio.PE
An India-specific Compartmental Model for Covid-19: Projections and Intervention Strategies by Incorporating Geographical, Infrastructural and Response Heterogeneity
我们提出了一个新冠肺炎在印度传播的房室元人群模型。我们的模型使用适用于COVID-19的流行病学模型模拟了地区或州一级的人群。利用现有的人口普查数据建立的交通矩阵将不同的地区连接起来。我们在模型中引入了检测率的不确定性，该模型考虑了不同州对疫情的不同反应以及公共医疗系统状况的因素。我们的模型使我们能够对新型冠状病毒在印度的传播进行定性预测，并进一步使我们能够调查不同拟议干预措施的影响。通过在地理和基础设施水平和当地反应的异质性，我们的模型旨在捕捉一些流行病学建模的复杂性，适合于一个不同的国家，如印度。
2020-07-28 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
Modeling Control, Lockdown \& Exit Strategies for COVID-19 Pandemic in India
COVID-19是一种病毒性传染病，已迅速成为全球大流行病，感染了数百万人，全球死亡人数众多。这种疾病的症状差别很大。根据症状，感染者大致分为两类，即无症状和有症状。无症状的人表现出轻微或没有症状，但继续将感染传播给其他健康的人。无症状感染的这一特殊方面构成了管理和控制传染病传播的主要障碍。在本文中，我们试图在各种干预策略下对COVID-19在印度的传播进行数学建模。我们认为SEIR型流行病学模型，与印度特定的社会接触矩阵代表接触结构之间的人口的不同年龄组。各种因素的影响，如渐近个人的存在，封锁策略，社会距离的做法，隔离，和住院的疾病传播进行了广泛的研究。我们模型的数值模拟与印度截至2020年5月15日的COVID-19真实数据相匹配，以估计模型参数。我们的分区锁定模型被认为对2020年7月20日做出了不错的预测。
2020-07-22 physics.soc-ph q-bio.PE
Network structure of COVID-19 spread and the lacuna in India's testing strategy
我们描述了COVID-19在印度的传播网络，发现传播率为0.43，每天的病例增长是由在国外感染病毒的个人推动的。我们探讨的问题，这是否代表指数衰减的动态或仅仅是一个人工制品的印度的测试策略。检测主要限于来自高风险国家的个人及其直接接触者，这意味着该网络反映了来自有偏见的检测样本的阳性识别。鉴于检测水平普遍较低，而且几乎完全没有社区传播检测，我们很有可能错过疫情的实际性质。印度目前的病例量仍然很低，采取行动的时间可能很短，因此应该积极和系统地扩大社区传播的随机检测，包括对无症状病例的检测。这将有助于了解真正的传输特性，并为不久的将来做出适当的规划。
2020-03-21 physics.soc-ph q-bio.PE
Connecting the Dots of COVID-19 Transmissions in India
印度于2020年1月下旬出现首例病例，COVID-19阳性病例数量急剧上升。迄今为止，该国34个州/中央直辖区已被发现受到大流行病的影响。我们在这项工作中，研究COVID-19大流行在印度的进展。我们的目标是在印度创建COVID-19的传输网络可视化，并对其进行分析。利用获得的传播网络，我们试图找到可能的超级传播者个体和超级传播者事件（SSE），负责在各自的地区爆发。我们讨论了网络分析在减轻疾病进一步传播方面的潜力。这是对印度疫情的初步研究之一，也是首次尝试从传播网络的角度研究该国的大流行病。
2020-07-25 cs.SI physics.soc-ph q-bio.PE
Counting the uncounted : estimating the unaccounted COVID-19 infections in India
本研究针对印度COVID-19大量感染未被统计的问题，在SEIR模型中新增未检测仓室，结合PINN估算20个重灾邦及全国两波疫情的未检测感染规模等指标，并用基于特征训练的ANN实现可靠疫情预测。
2024-03-01 physics.soc-ph q-bio.PE
Assessment of Lockdown Effect in Some States and Overall India: A Predictive Mathematical Study on COVID-19 Outbreak
在缺乏有效治疗或疫苗的情况下，以及对流行病学周期的不完全了解，政府已在全国范围内实施封锁，以减少COVID-19在印度的传播。为了研究社交距离措施的影响，我们考虑了一个新的数学模型，其中包含了封锁效应。通过验证我们的模型，从五个不同的国家和整个印度的通知病例的数据，我们估计了几个流行病学上的重要参数，以及基本的繁殖数（$R_{0}$）。将机械数学模型与不同的统计预测模型相结合，我们预测了2020年5月17日至2020年5月31日期间六个地点的通报病例。进行了一项全球敏感性分析，以确定两个流行病学可测量参数对锁定效应和$R_{0}$的相关性。我们的研究结果表明，在人群中存在较高比例的症状感染的地方，封锁将是有效的。此外，需要进行大规模COVID-19大规模检测以减少社区感染。包围模型预测显示，未来数天大部分地区的COVID-19通报病例将大幅增加。此外，预测期间的有效繁殖数量（$R_{t}$）趋势表明，如果在2020年5月17日之后完全取消封锁措施，则在这些地点可能会看到通知病例的高峰值。最后，结合我们的结果，我们提供了有效的封锁政策，以减少未来COVID-19在印度的传播。
2020-07-06 physics.soc-ph q-bio.PE
Epidemic parameters for COVID-19 in several regions of India
报告了对2020年4月期间印度不同地理区域病例和死亡病例的公开时间序列的贝叶斯分析。研究发现，感染最初明显的快速增长可能部分是由于混杂因素，如疾病监测的最初快速增长。一个简短的讨论给出的谬误，如果出现这种可能性被忽视。4月10日之后的增长与时间无关，但与区域相关的指数一致。由此，使用已知病例和死亡率提取R 0。在许多情况下，这两个估计值被认为是一致的;对于这些CFR报告。可以看出，CFR和R 0一起增加。一些公共卫生的影响，这一观察进行了讨论，包括目标加倍间隔，如果医疗设施是保持足够的。
2020-05-18 physics.soc-ph q-bio.PE
Preferences for COVID-19 vaccine: Evidence from India
由于疫苗犹豫不决的程度很高，印度的大规模疫苗接种工作进展缓慢。这项研究使用了来自1371名受访者的在线离散选择实验的数据，严格审查了该国形成疫苗偏好的因素。我们发现，疫苗的有效性，副作用的存在，保护时间，距离接种中心和接种率在社交网络中发挥关键作用，在确定疫苗的需求。我们应用非参数模型来揭示这些因素影响的异质性。我们从这一分析中得出两个新的见解。首先，尽管平均而言，国内开发的疫苗是首选，但约30%的样本青睐外国开发的疫苗。其次，大约15%的样本对疫苗的偏好对同龄人中副作用的存在和疫苗接种率高度敏感。这些结果为印度正在进行的关于疫苗采用的政策辩论提供了见解。
2021-08-18 physics.soc-ph q-bio.PE
Machine learning predictions of COVID-19 second wave end-times in Indian states
对正在进行的流行病传播波的剩余时间的估计是一个关键问题。由于流行病的参数变化范围很广，对于简单的模型如易感-感染-清除（SIR）模型，很难估计这样的时间尺度。另一方面，具有大量属性的多维数据正是人们可以在统计学习算法中用来进行预测的。在这里，我们展示了SIR模型的可预测性如何使用监督学习算法随各种参数而变化。然后，我们估计模型在预测印度不同邦的COVID-19大流行第一波持续时间时误差最小的条件。最后，我们使用SIR模型与上述最佳条件，以产生一个训练数据集，并使用它在监督学习算法，以估计在印度不同的州正在进行的第二波大流行的结束时间。
2021-05-26 physics.soc-ph q-bio.PE
SEIRD model to study the asymptomatic growth during COVID-19 pandemic in India
根据目前的认识，有症状、症状前和无症状的感染者都可以感染对SARS-Cov-2易感的健康人群。更重要的是，各种报告表明，无症状病例的数量可能比报告的有症状病例高出数倍。在这篇文章中，我们以截至9月1日印度和该国各邦报告的病例为样本，了解COVID-19的进展情况。采用改进的SEIRD模型，我们预测了COVID-19在有症状和无症状感染人群中的传播。考虑到报告的感染主要是由于症状，我们比较模型预测的结果与现有的数据，以估计无症状感染人群的动态。我们的数据表明，在没有无症状感染人群的情况下，有症状病例的数量会少得多。因此，通过广泛或随机检测来消除无症状感染人群，可以减少有症状感染的当前进展。本研究的动机严格限于学术追求;这种理论研究并不意味着影响政策决定或公共卫生实践。
2020-09-11 physics.soc-ph q-bio.PE
Analysis of COVID-19 cases in India through Machine Learning: A Study of Intervention
Bareilly College（巴雷利学院）；CSIR-Central Electronics Engineering Research Institute（CSIR-中央电子工程研究所）；Jawaharlal Nehru University（贾瓦哈拉尔·尼赫鲁大学）
为了抗击2019年冠状病毒病（COVID-19）大流行，世界上只有疫苗接种、血浆治疗、群体免疫和流行病学干预等少数几种可能的选择。COVID-19疫苗开发正在进行中，可能需要大量时间来开发疫苗，开发完成后，需要时间为整个人群接种疫苗，而血浆疗法具有一定的局限性。对于小国来说，群体免疫可能是抗击COVID-19的一个合理选择。但对于印度这样的人口大国来说，群体免疫并不是一个合理的选择，因为要获得群体免疫力，约67%的人口必须从COVID-19感染中恢复过来，这将给该国的医疗系统带来额外负担，并将导致巨大的生命损失。因此，流行病学干预措施（完全封锁、部分封锁、隔离、隔离、社交距离等）在疫苗开发之前，印度有一些合适的策略来减缓COVID-19的传播。在这项工作中，我们提出了SIR模型与干预，它包含了流行病学干预的经典SIR模型。为了模拟干预的效果，我们引入了\r{ho}作为干预参数。\r{ho}是涵盖所有类型干预的累积量。我们还讨论了有监督的机器学习方法，以估计SIR模型的传播率（\b{eta}），并从印度和印度一些州的COVID-19流行数据中进行干预。为了验证我们的模型，我们对实际和模型预测的COVID-19病例数进行了比较。使用我们的模型，我们还提供了截至2020年9月30日，整个印度和印度一些邦的活动和康复COVID-19病例的预测数量，并估计了预测病例的95%和99%置信区间。
2020-08-17 cs.LG physics.soc-ph q-bio.PE
Forecasting COVID 19 growth in India using Susceptible-Infected-Recovered (S.I.R) model
这项工作涵盖了对COVID 19在不同国家传播的分析，并处理了COVID 19增长的主要特征，即由参数\b{eta}控制的社会接触结构引起的传播。该参数\b{eta}对社会传播水平的依赖性表明了为保持社会距离而采取的措施的有效性。使用Scipy在Python中硬编码了一个单独的算法，Scipy学习社交联系结构并为\b{eta}提供合适的值，这对结果的结果有重大影响。对印度的疫情传播进行了预测，发现印度严格的社交距离不足以应对COVID 19的增长。
2020-04-01 q-bio.PE
Projections for COVID-19 spread in India and its worst affected five states using the Modified SEIRD and LSTM models
2019年的最后一站出现了一种名为COVID-19（2019冠状病毒病）的病毒。自从印度出现这种感染以来，政府实施了几项政策和限制措施，以遏制其在人口中的传播。随着时间的推移，这些限制被放宽，人们被建议自行采取预防措施。印度政府及时采取的这些决定在很大程度上帮助减缓了COVID-19的传播。尽管作出了这些决定，但这一流行病继续蔓延，因此，迫切需要规划和控制这一疾病的蔓延。这可以通过找到关于传播的未来预测来实现。全球的科学家正在努力估计COVID-19的未来增长。本文提出了一个修正的SEIRD（易感-暴露-死亡-死亡）模型，用于预测印度及其病例总数最高的五个邦的COVID-19感染情况。在该模型中，暴露区室包含可能无症状但具有传染性的个体。本文还使用了基于深度学习的长短期记忆（LSTM）模型来执行短期预测。从拟议的修正SEIRD模型获得的预测也与LSTM对未来30天的预测进行了比较。本文使用截至2020年8月15日的流行病学数据进行预测。这些预测将有助于安排足够的医疗基础设施，并提供适当的预防措施，以应对目前的流行病。印度政府实施的不同封锁措施的影响也被用于拟议的修正SEIRD模型的建模和分析中。本文所载结果将为未来制定控制COVID-19在印度传播的政策提供指引。
2020-09-07 cs.CY physics.soc-ph q-bio.PE
Modeling and forecasting of the COVID-19 pandemic in India
背景：持续的COVID-19疫情在印度迅速蔓延。为了结束全球COVID-19大流行，印度采取了主要的行为、社交距离、接触者追踪和国家干预措施，以减少疫情的爆发，并避免冠状病毒在印度和世界各地的人类中持续存在。在没有任何疫苗或疗法的情况下，预测是卫生保健规划和控制COVID-19传播的重中之重。方法：我们提出了一个数学模型，解释了COVID-19在印度的传播动态。基于估计的数据，我们的模型预测流行病的演变和SARS-CoV-2的结束，并帮助评估不同政策的影响，以控制疾病的传播。研究结果：与感染者的真实数据，我们发现的基本生殖数$R_0$为17个国家的印度和整个印度。提供了一个完整的数字，以证明估计的大流行生活周期〈动〉<动>以及迄今为止的真实数据或历史。我们的研究表明，在印度实施的严格控制措施大大减轻了SARS-CoV-2的传播。重要的是，模型模拟预测，到2020年6月26日，印度的疫情将减少95%，到2020年7月26日，印度的疫情将减少99%。释义：我们的模型模拟表明，通过减少社会距离和采取必要的预防措施，在社区范围内消除SARS-CoV-2是可能的。可严格实施封锁，以防止COVID-19在人与人之间传播。基于模型和参数估计的流行病生活周期〈动〉<动>和结束日期，如果可以精确地完成，可以减少痛苦和过度乐观，并为我们所有人的爆发演变的下一阶段发展心态。
2020-05-13 q-bio.PE
Estimating the number of COVID-19 infections in Indian hot-spots using fatality data
在印度，COVID-19感染人口尚未准确确定。与任何流行病的早期阶段一样，需要首先检测严重病例，这意味着尚未对无症状或轻度亚临床症状的人群进行分析。使用死亡人数和先前估计的疾病进展参数，我们对感染人口进行统计估计。倍增时间是影响这些估计值的关键未知输入参数，并且可能因地理位置而异。我们提出了一种在几天内估计不同地点COVID-19流行病学参数的方法，从而增加了衡量公共卫生干预措施成功与否所需的信息
2020-04-07 q-bio.PE
A critique of the Covid-19 analysis for India by Singh and Adhikari
在最近的一篇论文（arXiv：2003.12055）中，Singh和Adhikari介绍了流行病学数学模型的分析结果，他们认为印度需要$49$日封锁来控制印度的流行病。我们断言，作为一个模型研究与所述的假设，本文中提出的分析是完全有效的，但是，任何严重的比较与实际数据和试图从模型预测是非常有问题的。本文件的要点是令人信服地确立这一论断，同时提出警告，即决策者不应从表面上看待这种数学模型的结果和分析，需要非常谨慎地使用。
2020-04-11 q-bio.PE
Modeling the dynamics of COVID-19 transmission in India: Social Distancing, Regional Spread and Healthcare Capacity
在以健康为中心的治理新模式中，决策者不断需要适当的衡量标准和估计数，以便以非武断的方式确定最佳政策。因此，本文开发了COVID-19传播的分区模型，以促进政策制定。一个社交距离车厢被添加到模型中，并说明其效用在量化自愿社交距离的大小。作出了修改，以纳入区域间移徙，并提出了适当的衡量标准，以量化移徙对案件增加的影响。的医疗保健能力建模和方法的开发，以研究的后果饱和的医疗保健系统。该模型及相关措施用于研究COVID-19在印度的传播和传播性质，并得出适当的见解。
2022-04-19 q-bio.PE
Effectiveness of Testing, Tracing, Social Distancing and Hygiene in Tackling Covid-19 in India: A System Dynamics Model
我们提出了一个新冠肺炎在印度传播的系统动力学（SD）模型。详细的基于年龄结构的分区模型内生地捕获了各种疾病传播途径，从标准SEIR模型显著扩展。该模型是为印度定制的，使用了适当的人口金字塔、接触率矩阵、外部到达人数（根据实际数据）以及其他一些基于印度报告的新冠肺炎病例的校准分数。此外，我们使用独立的时变杠杆，明确建模了检测、接触者追踪、隔离Covid阳性患者、隔离、使用口罩/更好的卫生习惯、通过减少家庭（H）、工作（W）、学校（S）和其他（O）地点不同区域的接触率来保持社交距离的影响。模拟结果显示，即使在延长封锁期后，仍会留下一些数量不小的感染者（甚至是无症状感染者），大流行将重新出现。唯一能有效对抗这场大流行病的工具是对那些表现出新冠肺炎类似症状的人进行高比率的检测，如果他们呈阳性，就将他们隔离，并追踪所有与阳性患者接触的人，并将他们隔离，同时使用口罩和个人卫生。接触者追踪、隔离、预防和个人卫生措施的有效性的广泛结合有助于最大限度地减少大流行的影响，一项措施的实施中的一些缺陷可以通过更好地实施其他措施来弥补。
2020-04-19 q-bio.PE
Did the lockdown curb the spread of COVID-19 infection rate in India: A data-driven analysis
为了分析印度连续三次全国封锁的效果，我们对四个关键参数进行了数据驱动分析，即降低传播率，抑制增长率，平坦化流行曲线和改善医疗保健系统。通过考虑四个不同的指标，即繁殖率、生长率、倍增时间和死亡与恢复比率，对这些指标进行了量化。本集团利用指数增长、最大似然估计、序贯贝叶斯方法及时间依赖性繁殖估计，分析印度COVID-19疫情（于二零二零年三月二日至二零二零年五月三十一日期间）的发病率数据，以获得与疫情曲线的最佳拟合。最佳拟合（基于所考虑的数据）是时间依赖性方法。因此，该方法用于评估对有效繁殖率的影响。从封锁前到封锁3结束的时间段，有效繁殖率下降了$45\%$。在同一时期，生长速率从锁定前的$393\%$降低至锁定3后的$33\%$，伴随着平均倍增时间从$4$ - $6$天增加至$12$ - $14$天。最后，死亡与康复比率从$0.28$（封锁前）下降到封锁3后的$0.08$。总括而言，评估封城措施成效的四项指标自封城措施前至封城措施三结束期间均出现重大有利变化。使用这些指标分析封锁后期间的数据将更清楚地说明封锁的成功程度。
2020-06-22 physics.soc-ph q-bio.PE
Changing Clusters of Indian States with respect to number of Cases of COVID-19 using incrementalKMN Method
Dibrugarh University（迪布鲁加尔大学）；Tezpur University（提斯浦尔大学）
印度的新型冠状病毒（COVID-19）发病率目前呈指数级上升，但增长率和倍增时间率存在明显的空间差异。我们将这些州分为五个低风险到高风险类别的集群，并研究了自2020年1月$30^{th}$第一个病例开始到2020年6月$30^{th}$解锁1结束期间，不同的州如何从一个集群转移到另一个集群。我们已经实现了一种新的聚类技术，称为增量KMN（Prasad，R。K.，Sarmah河，Chakraborty，S.（2019年））
2020-07-12 cs.LG q-bio.PE
Analysis of COVID-19 in India using vaccine epidemic model incorporating vaccine effectiveness and herd immunity
尽管我们手头有一些疫苗，但COVID-19将继续对人类构成威胁，直到我们通过自然群体免疫和通过全民接种实现全面免疫达到地方病状态。然而，疫苗作为一种实用工具，可减少持续的COVID-19疫情在全球范围内造成的大规模公共卫生问题和新出现的经济后果，而疫苗效力正在减弱。本文提出并分析了一个考虑疫苗接种率和疫苗衰减率的SEIRV流行病模型。研究了该模型的动力学性质，得到了无病平衡态的条件。此外，该分析扩展到研究COVID-19在印度的传播，考虑疫苗的可用性和相关的关键参数，如疫苗接种率，疫苗有效性和疫苗对决定这一流行病的新兴命运的影响减弱。我们还讨论了人民中接种疫苗的个人产生群体免疫的条件。我们的研究结果强调了疫苗的重要性，加强疫苗接种在保护人们免受感染方面的有效性，以及它们在流行病和大流行病建模中的重要性。
2022-08-25 nlin.AO physics.soc-ph q-bio.PE
Analysis, Modeling, and Representation of COVID-19 Spread: A Case Study on India
冠状病毒爆发是地球上所有人类面临的最具挑战性的大流行病之一。隔离感染者及保持社交距离等技术是对抗COVID-19疫情的唯一预防措施。在有限的数据下对感染人数的实际估计是数据科学家面临的一个不确定问题。现有文献中有大量的技术，包括再生产数、病死率等，用于预测流行病的持续时间和传染人群。本文介绍了一个案例研究，介绍了用于分析、建模和表示与COVID-19等流行病相关的数据的不同技术。我们进一步提出了一个算法，估计在一个特定的地区的感染传播状态。本文还提出了一种由易感传染病和传染病模型估计流行病结束时间的算法。最后，本文通过实证和数据分析，研究了传播概率、接触率、传染性和易感性对疫情传播的影响。
2020-08-30 cs.SI physics.soc-ph q-bio.PE
The COVID-19 pandemic: growth patterns, power law scaling, and saturation
越来越多的国家显示，由于政府实施有效的封锁和社交距离措施，新冠肺炎感染人数显著放缓。我们通过局部斜率分析分析了受影响最严重的25个国家的增长行为，发现各个国家根据封锁协议的严格程度遵循三种不同的模式：指数上升和下降，幂律或逻辑。对于呈现幂律增长的国家，我们确定了标度指数。对于感染率大幅下降的国家，我们推断了感染人数的预期饱和度和预期最后日期。使用了两种不同的外推方法（logistic和抛物线）。这两种方法在饱和度和结束日期的数量级上是一致的。用同样的方法分析全球感染率。这些外推的相关性和准确性进行了讨论。
2020-04-08 physics.soc-ph q-bio.PE
Modelling the role of media induced fear conditioning in mitigating post-lockdown COVID-19 pandemic: perspectives on India
主要由于巨大的社会经济副作用，数个已成功透过“封城”控制COVID-19疫情严重程度的国家现正考虑慢慢结束封城。封锁的突然结束可以增加基本生殖数量并取消一切;因此，需要精心设计的退出策略来维持其提升后的好处。为了研究封锁后阶段恐惧条件反射在减缓COVID-19传播中的作用，在这项工作中，我们提出了一个年龄和社会接触结构依赖的易感、恐惧、暴露、感染和隔离（SFEIR）模型。通过大众媒体（如电视，社区广播，互联网和印刷媒体）以及正强化，模拟印度人口的SFEIR模型，发现恐惧人群比例的增加导致感染人口增长的显着下降。目前的研究表明，在封锁后阶段，媒体诱导的恐惧条件反射与学校关闭约一年以上，可以作为一个重要的非药物干预，以大大减轻这种流行病在印度。拟议的SFEIR模型通过量化媒体在诱导恐惧条件反射方面的影响，强调了社区驱动的变化在封锁后阶段缓解COVID-19传播的国家特定变化中的重要性。
2020-05-25 q-bio.PE
Assessing potential insights of an imperfect testing strategy: Parameter estimation and practical identifiability using early COVID-19 data in India
本文提出含感染者检测的确定性模型研究检测策略影响，利用印度早期COVID-19数据估计参数并验证可辨识性，发现提高检测率与效能可显著降低峰值病例数、推迟峰值并减轻疾病负担。
2022-11-16 physics.soc-ph q-bio.PE
Spatiotemporal patterns of Covid-19 pandemic in India: Inferences of pandemic dynamics from data analysis
对大规模Covid-19大流行数据的建模和分析可以得出有关其动态和疾病传播特征的推断。然后，这些推论可以与背景因素（如人口密度、战略干预的效果、异质性疾病传播等）相关，并且这样一组经过验证的推论可以作为设计后续缓解策略的先例。在这项工作中，我们使用增长函数拟合程序和调和分析方法分析了印度背景下的Covid-19大流行数据。我们的生长函数拟合数据的结果表明，生长函数参数是相当敏感的感染人口的增长表明封锁策略的积极影响，拐点的识别和疾病传播的几乎同步的统计特征。谐波分析的数据显示，全国同步事件的特点，由于同时实施的控制策略。然而，如果分析来自印度每个州的数据，可以看到全国范围内的波模式中各种形式的行波。因此，人们需要不时地进行这些分析，以了解任何控制策略的有效性，并密切关注疾病的传播，以制定所需类型的缓解策略。
2022-07-06 q-bio.PE
Effective lockdown and role of hospital-based COVID-19 transmission in some Indian states: An outbreak risk analysis
印度有几份报告表明，医院和隔离中心是COVID-19的热点。在缺乏有效的接触者追踪工具的情况下，政府和政策制定者可能没有注意到医院传播的风险。为了进一步探索这一重要途径及其对封锁效应的可能影响，我们开发了一个基于医院传播的机制模型。我们使用来自六个邦（马哈拉施特拉邦、德里、中央邦、拉贾斯坦邦、古吉拉特邦和北方邦）和整个印度的每日通报的COVID-19病例，估计了模型的几个重要参数。此外，我们还提供了这七个地点的基本（$R_{0}$）、社区（$R_{C}$）和医院（$R_{H}$）生殖数量的估计。为了获得对未来COVID-19病例的可靠预测，使用BMA后处理技术将机械模型与混合统计模型集成。我们使用集合模型，预测2020年5月3日至2020年5月20日期间，在上述地点五种不同的封锁情况下，COVID-19通报病例（每日和累积）。我们对机制模型的分析表明，大多数新的COVID-19病例目前在上述七个地点未被发现。此外，对$R_{0}$的四个流行病学可测量\可控参数以及封锁效应的全球敏感性分析表明，如果不立即采取适当的预防措施，医院和隔离中心可能会引发更大规模的COVID-19疫情。在大多数地区，我们的集合模型预测显示，印度未来几周的COVID-19通报病例将大幅增加。根据我们的研究结果，我们提出了一项遏制政策，可能会减少未来几天更大规模COVID-19爆发的威胁。
2020-05-03 math.DS q-bio.PE
An Epidemic Model SIPHERD and its application for prediction of the spread of COVID-19 infection for India and USA
Vellore Institute of Technology（维洛尔理工学院）；Visvesvaraya National Institute of Technology（维斯瓦萨瓦亚国家理工学院）
本研究提出考虑三类感染携带者、传播率与封控社交疏离相关、检测率与日检测量相关的SIPHERD流行病模型，经德韩疫情验证后用于预测印美不同封控检测条件下的新冠传播。
2020-05-11 q-bio.PE
Effect of lockdown interventions to control the COVID-19 epidemic in India
由新型冠状病毒SARS-CoV 2引起的大流行导致了危及生命的健康并发症，并对医疗保健系统造成了极大的压力。虽然预防性和明确的治疗性医疗干预措施尚未到位，但管理机构实施的物理隔离、检疫和严厉的社会措施等非药物干预措施可有效阻止感染在人群中的传播。在印度等人口稠密的国家，由于社会和行政管理的复杂性，封锁干预措施部分有效。使用详细的人口统计数据，我们提出了一个基于代理的模型来模仿人口的行为及其流动性特征，即使在干预下。我们展示了接触追踪政策的有效性，以及我们的模型如何有效地与测试效率的实证研究结果相关。我们还提出了各种封锁干预策略来缓解-使用感染的数量，有效繁殖率以及使用强化学习。我们的分析可以帮助评估这些干预措施的社会经济后果，并为政策制定者提供有用的想法和见解，以便更好地做出决策。
2020-09-07 cs.MA physics.soc-ph q-bio.PE
A model for the spread of an epidemic from local to global: A case study of COVID-19 in India
在本文中，我们提出了一个新冠肺炎传播的流行病学模型。传播的动力学是基于人口中的四个基本类别的人：测试和感染，未测试但感染，测试但未感染，和未测试而未感染。该模型是基于两个层次的人口传播的动态：在地方一级和全球一级。地方层面的增长以数据和参数描述，包括COVID-19的测试统计数据、全国封锁等预防措施以及邻近地区的人口迁移。在印度的情况下，当地位置被视为地区，跨地区的迁移或交通流量由感染COVID-19的地区的集合人口网络的归一化边权重定义。根据当地的增长情况，对COVID-19阳性检测人数进行了州一级的预测。此外，考虑到当地的位置作为国家，预测国家一级。模型参数的值是使用网格搜索和最小化误差函数来确定的，同时用真实数据训练模型。这些预测是基于目前的测试统计数据，以及州和国家一级测试的线性和对数线性增长。最后指出，如果试验次数能按一定的因素线性或对数线性增加，并在不久的将来采取预防措施，则可以抑制扩散。这对于防止感染人数急剧增加和消除第二波大流行病也是必要的。
2020-06-04 cs.SI physics.soc-ph q-bio.PE
Prediction of COVID-19 Disease Progression in India : Under the Effect of National Lockdown
Chennai Mathematical Institute（金奈数学研究所）
在这份政策文件中，我们实施流行病学SIR来估计国家和州一级的基本生殖数$\mathcal{R}_0$。我们还开发了统计机器学习模型来提前预测病例。我们的分析表明，旁遮普省（$\mathcal{R}_0\approx 16$）的情况并不好。它需要立即积极关注。我们看到中央邦（3.37）、马哈拉施特拉邦（3.25）和泰米尔纳德邦（3.09）的$\mathcal{R}_0$都超过了3。截至2020年3月4日，安得拉邦（2.96），德里（2.82）和西孟加拉邦（2.77）的PDMATHAMM超过了印度的$\mathcal{R}_0=2.75$。印度的$\mathcal{R}_0=2.75$（截至2020年3月4日）在早期疾病进展阶段与中国湖北非常相似。我们的分析表明，印度的早期疾病进展与中国相似。因此，随着封锁的实施，印度应该期待尽可能多的病例，如果不是更像中国的话。如果封城有效，我们预计到2020年5月1日，病例数应该会少于66,224例。本文的所有数据和\texttt{R}代码可从\url{https://github.com/sourish-cmi/Covid19}获得
2020-04-07 cs.LG q-bio.PE
Implication of Repatriating Migrant Workers on COVID-19 Spread and Transportation Requirements
由于COVID-19全国封锁，滞留在印度各地的移民工人迫切需要公共交通工具返回原籍。安排运输可能会使COVID-19感染病例数量激增。因此，本文调查了COVID-19感染的确诊和活跃病例的潜在激增，并评估了遣返移民工人所需的训练和巴士车队规模。通过预测2011年人口普查数据并与新闻媒体报道的信息进行比较，获得了预期遣返的农民工人口。提出了一种改进的易感染-暴露-感染-清除（SEIR）模型，以估计印度选定的移民外流率高的邦的确诊和活动性COVID-19患者病例的激增。开发的模型考虑了不同水平的移民工人的每日到达率，总的移民工人需要运输，和旅行依赖症状的情况下到达的起源的组合。减少移徙工人大量外流的国家的每日移徙工人抵达率（即，北方邦和比哈尔邦）可以帮助降低确诊病例和活跃病例的激增。尽管如此，这可能会造成将所有遣返的移民工人运送到家乡所需天数的差异。因此，建议每天安排大约100，000名移徙工人前往北方邦和比哈尔邦，每天安排大约50，000名移徙工人前往拉贾斯坦邦和中央邦，每天安排20，000名移徙工人前往马哈拉施特拉邦，每天安排不到20，000名移徙工人前往印度其他邦。
2020-07-30 physics.soc-ph q-bio.PE
Short-term forecasts of COVID-19 spread across Indian states until 1 May 2020
印度于2020年1月30日记录了首例冠状病毒疾病病例，感染病例数量（包括死亡人数）继续上升。在本文中，我们使用2020年1月30日至4月21日的实时数据，对印度28个邦和5个联邦直辖区的COVID-19进行了短期预测。应用霍尔特的二阶指数平滑方法和自回归综合移动平均（ARIMA）模型，我们对2020年4月22日至5月1日印度可能的感染病例和死亡人数进行了10天的预测。我们的结果显示，到2020年5月1日，印度的累计病例数将上升至36335.63 [PI 95%（30884.56，42918.87）]，同时死亡人数可能增加至1099.38 [PI 95%（959.77，1553.76）]。此外，我们还根据累计病例将该国划分为严重区域。根据这一分析，马哈拉施特拉邦可能是受影响最严重的邦，到2020年5月1日累计病例约为9787.24例[PI 95%（6949.81，13757.06）]。然而，喀拉拉邦和卡纳塔克邦可能会从红区（即高度受影响）转移到受影响较小的地区。另一方面，古吉拉特邦和中央邦将转移到红区。这些结果标志着到2020年5月3日可以放松封锁的州。
2020-05-07 q-bio.PE stat.CO
Severity and Mortality Prediction Models to Triage Indian COVID-19 Patients
Indian Institute of Technology, Delhi（印度理工学院德里分校）；AFMC, Pune（武装部队医学院，浦那）；CMC Ludhiana（卢迪亚纳基督教医学院）
随着印度第二波疫情的缓解，COVID-19目前已在全国范围内感染了约2900万患者，导致超过35万人死亡。随着感染人数的激增，该国医疗基础设施的压力变得明显。虽然该国为人口接种疫苗，但开放经济可能导致感染率上升。在这种情况下，它是必要的，有效地利用有限的医院资源，通过一个知情的病人分流系统的基础上，临床参数。在这里，我们提出了两个可解释的机器学习模型，预测患者的临床结局、严重程度和死亡率，这些模型是基于入院当天对印度最大队列之一的血液参数进行的常规非侵入性监测。患者严重程度和死亡率预测模型的准确率分别为86.3%和88.06%，AUC-ROC分别为0.91和0.92。我们已经将这两种模型集成到一个用户友好的网络应用程序计算器中，https：//triage-COVID-19.herokuapp.com/，以展示这种努力的潜在规模部署。
2021-10-23 cs.LG q-bio.PE
SEIR and Regression Model based COVID-19 outbreak predictions in India
COVID-19疫情已成为该国的主要威胁。到目前为止，没有经过充分测试的药物或解毒剂可以治愈这种疾病。根据世卫组织的报告，COVID-19是一种严重急性呼吸系统综合征，通过呼吸道飞沫和接触途径传播。对这一疾病的分析需要政府给予极大的关注，采取必要步骤，减少这一全球流行病的影响。在这项研究中，分析了印度截至2020年3月30日的这种疾病的爆发情况，并预测了未来两周的病例数。SEIR模型及回归模型已根据于二零二零年一月三十日至二零二零年三月三十日期间从约翰霍普金斯大学储存库收集的数据进行预测。用RMSLE对模型的性能进行了评价，SEIR模型的性能达到1.52，回归模型的性能达到1.75。SEIR模型和回归模型之间的RMSLE误差率为2.01。此外，计算出疾病传播的R 0值为2.02。预计在未来两周内，病例可能会增加5000-6000例。这项研究将有助于政府和医生准备未来两周的计划。基于对短期间隔的预测，这些模型可以被调整用于长期间隔的预测。
2020-04-01 q-bio.PE
Age-structured impact of social distancing on the COVID-19 epidemic in India
新型冠状病毒COVID-19的爆发已被世界卫生组织宣布为大流行。社会接触的结构决定了感染的传播，在没有疫苗的情况下，通过大规模的社会隔离措施控制这些结构似乎是最有效的缓解手段。在这里，我们使用一个年龄结构SIR模型，并使用从调查和贝叶斯插补中获得的社会接触矩阵来研究印度COVID-19疫情的进展。基于案例数据、年龄分布和社会联系结构，计算了基本生育率R 0及其随时间的泛化。社会距离措施的影响-工作场所不出勤，学校关闭，锁定-和他们的效力与持续时间进行了调查。三周的封锁被认为不足以防止死灰复燃，相反，建议采取持续封锁和定期放松的协议。报告预测，由于采取了这些措施，按年龄划分的发病率和死亡率将有所下降。我们的研究强调了年龄和社会接触结构在评估缓解性社交距离对特定国家的影响方面的重要性。
2020-03-26 cond-mat.stat-mech q-bio.PE
Predication of Inflection Point and Outbreak Size of COVID-19 in New Epicentres
截至2020年6月中旬，2019冠状病毒病（COVID-19）已导致超过800万人感染。最近，巴西已成为COVID-19的新震中，而印度和非洲地区是潜在的震中。这项研究的目的是通过借鉴其他国家“成熟”曲线的信息，在流行病早期预测这些新的/潜在的震中的拐点和爆发规模。在混合效应模型和幂变换后的四参数Logistic模型下，我们将累积病例建模为众所周知的S形增长曲线来描述流行趋势。非洲地区预计将有390万例（220万至600万）的最大总爆发规模，并将在2020年9月13日左右出现。预计巴西和印度的最终疫情规模相似，约为250万例（110万至430万），拐点分别于6月23日和7月26日到来。我们的结论是，在巴西、印度和非洲，COVI 19的流行尚未超过拐点;这些地区的疫情规模可能超过美国
2020-07-15 physics.soc-ph q-bio.PE stat.AP
Deciphering dynamics of recent COVID-19 outbreak in India: An age-structured modeling
传染病传播动态对社会接触模式和人们为限制疾病传播而采取的预防措施特别敏感。这取决于社区的年龄分布。因此，了解$-$特定年龄的传染病患病率和发病率对于预测未来疾病负担和免疫接种等干预措施的有效性至关重要。本研究使用SEIR年龄$-$结构的多群体流行病模型来了解社会接触如何影响疾病控制。我们在社区中创建了位置$-$特定的社会接触矩阵，以了解社会混合如何影响疾病传播。我们估计了系统的基本再生数$(R_0)$，并用$R_0$绘出了系统的全局行为.定量地建立了问题的最优控制。还估计了印度从2020年9月1日到2020年12月31日的拟议模型的传输率。我们通过允许参与者分阶段返回工作岗位来复制非药物治疗的解除，并研究了其影响。我们的研究结果意味着，识别年龄为$20-49$的有症状的病人可以帮助降低学校关闭时的感染人数。当一些学校部分开放时，对有症状感染者的认识有助于减少病例。模拟结果还表明，限制在学校和其他聚会场所的接触可以显着降低这种情况的数量。使用最小二乘法，发现时间$-$依赖的传输速率比印度COVID $-19$的恒定传播速率更现实。为了减少COVID $-19$的负担，我们发现逐渐放松控制方法可以使其他峰值变平并降低。我们的研究结果可能有助于卫生政策制定者决定及时的基于年龄$-$的免疫接种分配策略，从而控制疾病。
2022-04-18 q-bio.PE
Estimating the severity of COVID-19 Omicron Variant in USA, India, Brazil, France, Germany and UK
这项工作通过同时拟合美国、印度、巴西、法国、德国和英国的确诊病例和死亡病例，评估了COVID-19 Omicron变异体在病死率（CFR）和相应不确定区间方面的严重程度。在最小二乘法的框架下，结合蒙特卡罗模拟和基于Gompertz函数的分析方法计算CFR，并假设死亡可以通过确诊病例与常见伽马函数的卷积来描述，以描述病例至死亡的时间。拟合中包括病例和死亡的线性背景，以解释Omicron峰值内其他菌株的贡献。拟合包括125和113流行病学周，病例和死亡分别为64个参数，导致174个自由度的卡方系数为176.5（p = 0.434）。美国、印度、巴西、法国、德国和英国的CFR和95%置信区间为0.295（0.154-0.436）%、0.232（0.134-0.331）%、0.49（0.27-0.71）%、0.056（0.028-0.084）%、0.129（0.074-0.184）%和0.168（0.107-0.229）%。病例至死亡的时间段通过一个常见的伽马函数进行了令人满意的描述，平均值为15.71 +/- 0.55天，变异系数为0.354 +/- 0.070。拟议的计算方法提供了有关各CFR和病例至死亡时间段的准确可靠信息，后者与以前在大流行早期阶段对症状发作至死亡时间段的估计一致。由此获得的CFR远低于文献中先前的测量值，这表明后者可能被高估了，因为在通常突出的Omicron峰下，…
2023-02-20 physics.soc-ph q-bio.PE stat.AP
Study of COVID-19 epidemiological evolution in India with a multi-wave SIR model
自二零一九年十二月以来，COVID-19爆发导致的全球大流行肆虐全球两年多，所有国家均遭受重创。为了控制这一流行病感染的持续浪潮，已经尝试在几个数学模型的帮助下以确定性方法来理解这一流行病的动态。本文研究了一个多波SIR模型的特征，成功地解释了印度大流行波的特征。该模型的稳定性进行了研究，通过确定平衡点，以及通过寻找相应的雅可比矩阵的特征值。发现复特征值最终导致三类种群，即易感种群、感染种群和迁移种群的振荡解。在这个模型中，一个有限的概率恢复的人再次成为易感性，最终导致振荡的解决方案，换句话说。对微分方程组进行了数值求解，以获得易感者、感染者和清除者的数量随时间的变化。在这种现象学的研究中，最后一个额外的修改，以解释非周期振荡，发现有必要捕捉的流行病学波的功能，特别是在印度。
2022-02-10 cs.CY math.DS q-bio.PE
A Monte Carlo approach to model COVID-19 deaths and infections using Gompertz functions
这项研究通过蒙特卡罗方法描述了COVID-19死亡和感染的动态。这些分析包括来自美国，巴西，墨西哥，英国，印度和俄罗斯的死亡数据，根据世界卫生组织的数据，截至2020年8月7日，这四个国家的死亡/确诊病例数最多。通过绘制$χ^2$值，将Gompertz函数拟合至每周平均每日确认死亡数据。模型参数的不确定度、方差和协方差通过传播计算。美国和印度的日平均死亡率拟合函数均呈上升趋势，其中美国的增长率较高，不确定性较大。对于墨西哥、英国和俄罗斯，拟合与斜坡下降模式一致。对于巴西，我们发现了一个微妙的下降趋势，但存在重大的不确定性。美国、英国和印度的数据显示，与第二个高峰相比，第一个高峰的增长率更高，这表明卫生措施和社会距离等非药物干预措施的好处使曲线变平。对于美国来说，第三个高峰似乎是相当合理的，最有可能与最近的放松政策有关。巴西的数据令人满意地描述了两个高度重叠的Gompertz函数，具有相似的增长率，这表明大流行的两个步骤的传播过程。模型预测的2020年8月31日美国、巴西、墨西哥、英国、印度和俄罗斯的总死亡人数（$\times 10^3$）的95% CI分别为160至220、110至130、59至62、46.6至47.3、54至63和16.0至16.7。我们对感染患病率的估计与美国和巴西进行的血清学研究的一些初步报告合理一致。该方法是根据实际数据估计感染曲线线形和相关参数不确定性的有…
2020-08-11 physics.soc-ph q-bio.PE
Impact of intervention on the spread of COVID-19 in India: A model based study
由严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）引起的2019冠状病毒病（COVID-19）的爆发已经在世界上几乎每个国家造成了紧急情况。该疾病于2019年12月在中国武汉首次发现后，在很短的时间内蔓延到世界各地。在印度，疫情始于2020年3月的$2^{nd}$，之后病例呈指数级增长。人口密度很高，没有特定的药物或疫苗，关于疾病传播机制的证据不足，也使印度很难适当地防治这种疾病。数学模型已被用于预测疾病动态，并评估干预策略在减少疾病负担方面的效率。在这项工作中，我们提出了一个数学模型来描述疾病在个体之间的传播机制。我们考虑了印度疫情的初始阶段，我们提出的模型适用于$2^{nd}$ 2020年3月至$24^{th}$ 2020年3月期间的每日累计新报告病例。根据上述期间的发病率数据，我们估计了基本再生产数$(R_0)$、有效再生产数（R（t））和流行倍增时间。我们进一步评估预防措施（如宣传、封闭、适当的手部消毒等）对减少新病例的影响。根据实施期间干预力度的变化情况，考虑了两种干预情景。我们的研究表明，在印度，需要更高的干预努力，以在更短的时间内控制疾病的爆发。此外，我们的分析表明，干预的力度应随着时间的推移而加强，以有效地根除疾病。
2020-04-10 math.DS q-bio.PE
Transmission Dynamics of COVID-19 Pandemic Non-pharmaceutical Interventions and Vaccination
非药物干预（NPI）在COVID-19大流行的早期控制中发挥重要作用。疫苗接种被认为是阻止SARS-CoV-2传播的必然途径。在此基础上，建立了一个带有NPI和疫苗接种的SVEIR模型.利用基本再生数$R_{0}$，证明了当$\mathscr{R}_{0}<1$时，无病均衡是全局吸引的，当$\mathscr{R}_{0}>1$时，COVID-19是一致持续的。以印度日期为例进行了数值模拟，发现我们的动力学结果与统计数据吻合得很好。因此，我们预测COVID-19疫情在印度的蔓延趋势。此外，我们的研究结果表明，提高NPI的强度将大大减少确诊病例的数量。特别是在疫苗效率相对较低的情况下，即使所有人都接种了疫苗，NPI也是必不可少的。通过模拟基本繁殖数$\mathscr{R}_{0}$、接种率和疫苗效力之间的关系，发现当疫苗效力低于$76.9\%$时，没有NPI就不可能实现群体免疫。因此，群体免疫区是由疫苗接种率和疫苗效力之间关系的演变来定义的。在对两个补丁的研究中，我们给出了印度和中国通航的条件。此外，印度和中国之间的人口的适当分散。讨论结束了论文。
2021-07-07 math.DS q-bio.PE
Exo-SIR: An Epidemiological Model to Analyze the Impact of Exogenous Infection of COVID-19 in India
流行病模型是描述流行病动态的数学模型。病毒的传播有两种途径-外源性和内源性。外源性传播来自研究人群之外，内源性传播来自研究人群之内。虽然一些模型考虑了外源性传染源，但它们没有研究外源性和内源性传播之间的相互作用。在本文中，我们介绍了一种新的模型-Exo-SIR模型，捕捉外源性和内源性的病毒传播。我们通过分析找出Covid 19大流行期间内源性和外源性感染之间的关系。首先，我们模拟Exo-SIR模型，而不假设人口的任何接触网络。第二，假设接触网络是无标度网络进行模拟。第三，我们在关于Covid 19的真实数据集上实现了Exo-SIR模型。我们发现，即使是最小的外源性感染率，内源性感染也会受到影响。另外，我们还发现，在外源感染的存在下，内源感染峰变得更高，并且峰出现更早。这意味着，如果我们考虑对像Covid 19这样的大流行病的应对，如果存在外源性感染源，我们应该为比SIR模型所建议的更早和更多的病例做好准备。
2020-09-19 cs.CY cs.SI 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
An empirical model on the dynamics of Covid-19 spread in human population
我们提出了一个数学模型来分析一个地区在持续的大流行中感染新冠病毒的总人数的时间演变。利用各国新冠病毒感染人口的现有数据，我们建立了一个模型，该模型可以成功跟踪这种传染病在给定波中从早期到饱和期的时间演变。它涉及一组可以从现有数据中提取的有效参数。利用这些参数，还可以预测疾病传播的未来轨迹。还提出了一组微分方程，其解是这些时间演化轨迹。使用这种形式主义，我们预测了一些国家的感染传播的未来时间演变轨迹，这些国家的COVID-19感染仍在迅速上升。
2020-08-13 physics.soc-ph q-bio.PE
Analyzing COVID-19 pandemic with a new growth model for population ecology
我们提出了种群生态学的一种新的增长率形式。一般来说，增长率取决于特定时期的人口规模。我们引入了另一种与时间相关的增长率形式。这种形式满足描述种群增长的必要条件，可以作为生长模型分析种群动力学的一种替代形式。我们采用广义Richards模型作为准则来比较我们的结果。此外，我们已经将我们的模型应用于流行病的情况。为了检验模型的有效性，我们对2003年SARS数据进行了验证。该模型具有较好的准确性，估计了最终的流行规模。其后，我们拟描述目前的2019冠状病毒病疫情。我们对意大利、西班牙和德国的数据进行了分析。接下来，我们试图预测COVID-19病例的数量以及美国、英国和印度的转折点。
2020-04-27 physics.bio-ph q-bio.PE
COVID-19 Epidemic Study II: Phased Emergence From the Lockdown in Mumbai
自二零二零年三月二十五日开始的全国性封锁旨在抑制COVID-19疾病的传播，其后印度政府三次下令延长至二零二零年五月三十一日。延长封锁已产生重大社会和经济后果，可能已出现“封锁疲劳”。自二零二零年六月一日起分阶段重开。孟买是世界上最拥挤的城市之一，在印度所有城市中病例和死亡人数最多（截至2020年6月2日，41986例阳性病例和1368例死亡）。在接下来的几天里，重新开放将做出许多艰难的决定。在早期的IISc-TIFR报告中，我们提出了一个基于代理的城市规模模拟器（ABCS），以模拟孟买和班加罗尔等大都市的感染进展和传播。正如IISc-TIFR报告1中所讨论的，ABCS是一个有用的工具，可以在个人层面上模拟城市居民的互动，并捕捉非药物干预对感染传播的影响。在这份报告中，我们将重点放在孟买。使用我们的模拟器，我们考虑了从2020年6月1日开始的封锁中孟买分阶段出现的一些合理情景。其中包括分阶段逐步开放行业、部分开放公共交通等（模拟郊区列车中的感染传播）、隔离区对控制感染的影响，以及遵守各种干预措施（包括使用口罩、病例隔离、家庭隔离等）的作用。我们模拟结果的主要结论是，分阶段开放工作场所，保守估计，20%至33%的出勤率是重启经济活动的好方法，同时确保该市的医疗能力足以应对6月和7月可能增加的COVID-19患者数量。
2020-06-05 cs.OH physics.soc-ph q-bio.PE
COVID-19 in South Asia: Real-time monitoring of reproduction and case fatality rate
由于COVID-19大流行造成的破坏在每时每刻都变得不可避免，因此监控和了解传播和死亡率对于遏制其传播变得更加重要。该分析的主要目的是报告南亚地区COVID-19的实时有效繁殖率（$R_t$）和病死率（CFR）。本研究的数据摘自JHU CSSE COVID-19数据源，截至2020年7月31日。使用指数增长和时间依赖性方法估计$R_t$。利用R语言的R 0程序包对已有的流行曲线进行拟合，估计出$R_t$。采用Naive和Kaplan-Meier方法估计病死率。由于COVID-19病例呈指数增长，印度、马尔代夫及尼泊尔的$R_t$估计大于1，因此疫情将随之而来。虽然与世界上其他高度受影响的地区相比，该地区的病死率较低，但仍强调要严格监测死亡情况，以改善卫生设施和病人护理。更多的区域合作和努力需要时间来尽量减少病毒的有害影响。
2020-08-10 q-bio.PE
Dynamic tracking with model-based forecasting for the spread of the COVID-19 pandemic
在本文中，我们使用了一个易感染-感染-清除（SIR）模型来跟踪COVID-19病毒在四个感兴趣的国家的传播演变。特别是，依赖于一些基本特征的流行病模型已被应用于对意大利、印度、韩国和伊朗疾病的时间演变进行建模。该病毒的传播对经济、社会和健康造成了灾难性后果。因此，必须开发现有的数学模型，并将其用于在公布的数据集和模型预测之间进行比较。从SIR模型估计的预测在这里，可以用于传播的定性和定量分析。它提供了对病毒传播的深入了解，而仅通过每天更新发布的数据和模型无法做到这一点。例如，使用我们的建模方法可以检测感染高峰的早期发作或第二波的发展。我们考虑了2020年3月至6月的数据，当时不同社区受到严重影响。我们展示了根据模型参数对2020年9月之前COVID-19传播的预测。通过比较已公布的数据和模型结果，我们得出结论，通过这种方式，可能更好地反映政府和个人为缓解和控制当前大流行而实施的适当措施的成功或失败。
2020-07-04 nlin.CD physics.soc-ph q-bio.PE
Towards predicting COVID-19 infection waves: A random-walk Monte Carlo simulation approach
现象学模型和确定性模型通常用于估计流行病的传播参数和预测其增长轨迹。这类分析通常以单高峰爆发动态为基础。鉴于目前的COVID-19大流行，迫切需要更好地了解观察到的具有多个峰值结构的流行病增长，最好使用第一性原理方法。根据我们之前的工作[Physica A 574，126014（2021）]，我们在这里应用2D随机游走蒙特卡罗计算来更好地了解COVID-19通过接触相互作用传播。封锁方案和所有其他控制干预措施都是通过限制流动性和调节随机相互作用人群的感染率来实施的。随着时间的推移，对易感人群、感染人群和康复人群进行跟踪，无需求解微分方程即可获得每日感染率。对印度、塞尔维亚、南非和美国四个国家的人口密度进行了模拟。在所有情况下，我们的结果都捕捉到了观察到的感染增长率。更重要的是，模拟模型被证明可以预测第二波和第三波感染，具有合理的准确性。多重波结构的这种预测性质提供了一种简单而有效的工具，可能有助于在目前的大流行期间规划缓解策略。
2022-01-13 q-bio.PE
