SEIRD Model for Qatar Covid-19 Outbreak: A Case Study
2020年爆发的新冠肺炎疫情要求许多政府为政策和规划目的开发疫情的数学统计模型。这项工作提供了一个教程，建立一个房室模型，使用易感，暴露，感染，感染和死亡状态通过时间。贝叶斯框架用于执行参数估计和预测。该模型使用干预措施来量化政府减缓病毒传播的各种尝试的影响。还进行预测以确定何时将发生高峰活动感染。
2020-05-26 physics.soc-ph q-bio.PE stat.AP
Choosing a growth curve to model the Covid-19 outbreak
Richards家族模型包括一组众所周知的模型，这些模型具有描述疾病爆发的几个方面的有用参数。其中一些模型已被用于研究当前的新冠肺炎疫情。然而，在竞争模式之间的歧视方面似乎存在混乱。在本文中，详细的应用Akaikes信息的方法是用来识别模型使用的数据来自欧盟，美国和英国。我们认为，来自竞争模型的流行病学特征，应检查，以补充选择策略，和隐含的属性的模型与现有的数据进行对比。所选择的参数化隐含的流行病学特征的详细的分析表达式也提供。
2020-07-07 q-bio.PE
Power of Artificial Intelligence to Diagnose and Prevent Further COVID-19 Outbreak: A Short Communication
新型冠状病毒-19（2019-nCoV或COVID-19）是迄今为止三十年来第三次发现的最危险的冠状病毒，不仅能够感染动物，还能够感染全球范围内的人类。据记录，全球有近6000人死亡，主要是由于2019冠状病毒病爆发，其中超过50%的死亡似乎是从中国演变而来的，中国被认为是该病毒的起源地。COVID-19的流行性大大超过了2003年和2012年发现的严重急性呼吸综合征冠状病毒（SARS-CoV）和中东呼吸综合征冠状病毒（MERS-CoV）。因此，世界卫生组织（世卫组织）已宣布2019-nCoV疫情不仅是公共卫生紧急事件，而且是大流行性疾病。目前，截至2020年3月15日格林尼治标准时间10：55，包括尼日利亚在内的120多个国家报告了超过157，844例确诊病例和5，846例死亡病例，主要原因是COVID-19疫情。人工智能（AI）被广泛用于帮助疾病的预测、检测、响应、恢复和进行临床诊断。在这项研究中，我们强调了人工智能在非洲国家（如尼日利亚）遏制和缓解COVID-19疫情蔓延方面的力量，在这些国家，人与人之间的接触显然是不可避免的。
2020-04-26 cs.CY q-bio.PE
Using statistics and mathematical modelling to understand infectious disease outbreaks: COVID-19 as an example
在传染病暴发期间，数据的偏差和潜在动态的复杂性对暴发的数学建模和政策设计构成了重大挑战。受持续应对COVID-19的激励，我们提供了一套统计和数学模型工具包，超越了简单的SIR型微分方程模型，用于分析疫情的早期阶段和评估干预措施。特别是，我们专注于参数估计的数据中存在已知的偏见，和封闭的亚群，如家庭和护理院的非药物干预的效果。我们通过将这些方法应用于COVID-19大流行来说明这些方法。
2020-05-11 physics.soc-ph q-bio.PE
Optimizing testing policies for detecting COVID-19 outbreaks
COVID-19疫情对持续经济活动构成挑战，同时降低健康风险。虽然这些挑战可以通过测试来缓解，但测试预算往往有限。在这里，我们研究机构，如养老院，应该如何利用固定的测试预算，早期发现疫情。使用扩展的网络SEIR模型，我们表明，给定一定的预算的测试，它通常是更好地测试较小的子群的人口经常比测试较大的群体，但频率较低。数值结果是一致的分析表达式，我们推导出的爆发在检测的指数传播模型的大小。我们的工作为机构提供了一个简单的指导方针：将您的总测试分布在几个批次中，而不是一次使用它们。我们预期，在适当的情况下，这项易于实施的政策建议将导致更早发现和更好地缓解当地COVID-19疫情。
2021-01-01 physics.soc-ph q-bio.PE
A matlab code to compute reproduction numbers with applications to the Covid-19 outbreak
我们讨论了各种繁殖比率或数字的产生，这些比率或数字对监测像Covid-19这样的持续流行病非常有用，并检查了干预措施的效果。详细的SEIR算法描述了它们的计算，并应用于当前在一些国家（阿根廷，巴西，法国，意大利，墨西哥，西班牙，英国和美国）爆发的Covid-19疫情。相应的matlab脚本，完整的，准备使用，提供免费下载。
2020-06-23 physics.soc-ph q-bio.PE
Temporal Analysis of COVID-19 Peak Outbreak
本研究的目的是探索如何利用数学模型，特别是易感-感染-清除（SIR）模型，预测从首次报告病例之日起，COVID-19流行病在感兴趣人群中的高峰爆发时间轴。直到这项研究的时候，还没有有效的和普遍接受的疫苗来控制这种感染的传播和蔓延。COVID-19主要通过受感染者咳嗽和打喷嚏产生的呼吸道飞沫在人群中传播，这些飞沫会感染附近的人。COVID-19正在世界各地蔓延。如果卫生政策制定者和医学专家能够在首次报告病例后及早及时了解感染率高峰何时出现，他们就可以规划和优化医务人员、消毒剂供应和其他医疗资源，而不会使基础设施负担过重。这些预测还可能帮助政策制定者制定控制疫情的策略，从而挽救许多人的生命。因此，它可以通过利用可用数据提供对COVID-19爆发的可操作见解来帮助关键决策过程。
2020-09-11 physics.soc-ph q-bio.PE
The Weather Impacts the Outbreak of COVID-19 in Mainland China
最近的文献表明，气候条件对COVID-19冠状病毒的传播有相当大的影响。然而，缺乏全面研究调查多种天气因素与COVID-19疫情发展之间的关系，同时排除社会因素的影响。本文研究了中国大陆250个城市的六个主要天气因素与COVID-19感染统计数据之间的关系。我们使用天气和感染统计数据进行的相关性分析表明，所有研究的天气因素都与COVID-19的传播相关，其中降水显示出最强的相关性。我们亦建立天气感知预测模型，以预测中国内地爆发第二波疫情时的感染个案数目。我们的预测结果显示，位于不同地理区域的城市可能会在非常不同的时间段受到COVID-19第二波的挑战，疫情的严重程度在很大程度上与不同的天气条件相对应。
2020-06-18 physics.soc-ph q-bio.PE
A three-state coupled Markov switching model for COVID-19 outbreaks across Quebec based on hospital admissions
本文开发了一个贝叶斯三态耦合马尔可夫切换模型，基于魁北克30家最大医院的住院数据，结合协变量与空间传播因素分析COVID-19爆发，改进了状态估计并提供了新的流行病学解释。
2024-09-22 q-bio.PE stat.AP
Trend and forecasting of the COVID-19 outbreak in China
通过使用2020年1月20日至2月11日的公开数据，我们对中国大陆特别是湖北省的COVID-19疫情进行了数据驱动的分析和预测。我们的研究结果表明，每日感染的转折点预测分别为2020年2月6日和2月1日，对于湖北和湖北以外的中国。中国的疫情预计将在2020年3月10日之后结束，预计总感染人数为51600人。数据趋势表明，中国采取的快速、积极的减少人类接触的策略已经对疫情的控制产生了良好的影响。
2020-02-14 q-bio.PE
A model for the outbreak of COVID-19: Vaccine effectiveness in a case study of Italy
我们提出了一个具有人口统计学的COVID-19疾病传播的房室数学模型，同时考虑了无症状感染者。计算了模型的基本再生比，研究了模型的局部稳定性和全局稳定性，并以意大利为例对模型进行了数值求解。我们提出了一个疫苗接种模型，我们得到的阈值条件，防止感染传播的情况下，不完美的疫苗。
2020-11-16 math.DS physics.soc-ph q-bio.PE
Forecasting COVID-19 Chile's second outbreak by a generalized SIR model with constant time delays and a fitted positivity rate
2019冠状病毒病迫使各国在科学家和政府之间做出相当大的合作努力，以提供适当跟踪疫情后果的指标。数学建模在量化描述大流行病各个方面的指标方面发挥着关键作用。因此，这项工作的目的是开发一个明确的，高效的，可重复的参数优化方法，其实施说明使用来自智利的三个代表性地区的数据和一个合适的广义SIR模型与拟合的阳性率。我们的研究结果再现了感染者曲线的一般趋势，区分了报告病例和真实病例。最后，我们的方法是稳健的，它使我们能够根据报告的死亡病例定性预测COVID-19的第二次爆发和COVID-19的感染死亡率。
2020-12-28 physics.soc-ph q-bio.PE
Forecasting hospital demand during COVID-19 pandemic outbreaks
我们提出了一个分区SEIRD模型，旨在预测当前COVID-19爆发期间大都市地区的医院入住率。该模型以无症状和有症状感染者为特征，并附有详细的医院动态。我们明确的模型分支概率和非指数停留时间在每个潜伏和感染的隔间。使用入院确诊病例和死亡病例，我们推断出接触率和动力系统的初始条件，考虑断点来模拟封锁干预措施。我们的贝叶斯方法使我们能够及时产生医院需求的概率预测。该模型已被墨西哥联邦政府用于协助公共政策，并已被应用于该国70多个大都市区和32个州的分析。
2020-06-05 q-bio.PE q-bio.QM
Spatiotemporal fluctuation scaling law and metapopulation modeling of the novel coronavirus (COVID-19) and SARS outbreaks
我们对比分析了2019年新型冠状病毒（COVID-19）和SARS疫情的时空波动，以了解其流行病学特征。在方法上，我们引入TPL（泰勒幂律）来表征其时空异质性/稳定性，并引入Hubbell（2001）生物多样性统一中性学说〈动〉<动>（UNTB）[特别是Harris et al.（2015）HDP-MSN模型（分层狄利克雷过程多位点中性模型）]来近似冠状病毒感染的集合种群。首先，TPL分析表明，冠状病毒似乎具有特定的异质性/稳定性缩放参数（TPL-b），对于累积感染略大于2，对于每日增量感染略大于1，这表明它们可能是混乱的，不稳定的爆发。另一TPL参数（M0）（即，感染临界阈值）取决于病毒种类（COVID-19/SARS）、时间（疾病阶段）、空间（区域）和公共卫生干预（例如，移动性和移动性控制）。M0测量感染水平，在该感染水平下感染是随机的（泊松分布），低于该感染水平的感染遵循均匀分布，如果M0符合或低于Allee效应水平，则可能会死亡。研究发现，COVID-19爆发的风险似乎比SARS高出近两倍，而较低的感染阈值可能是由于其致死率低于SARS，因为较低的致死率可以促进病原体的存活和传播。第二，后趋性UNTB中性测试似乎适合于近似冠状病毒感染的后趋性。具体而言，从中性学说〈动〉<动>中借用的两个参数θ和M可用于评估通过局部传染感染与通过迁移感染的相对重要性，这两者都可能取决于时间、…
2020-03-08 q-bio.PE
Modeling the Epidemic Outbreak and Dynamics of COVID-19 in Croatia
该文件涉及在克罗地亚共和国的封闭领土上由2019年冠状病毒病（COVID-19）引起的持续流行病的建模。利用官方公布的确诊感染者、康复者和死亡者的数量，建立了改进的SEIR房室模型来描述流行病的基本动态。拟合的修正SEIR模型提供了对近期疾病进展的预测，考虑到克罗地亚卫生部在2月25日COVID-19传播开始时对感染者和高危人群采取的社交距离和隔离等严格控制干预措施。假设所提供的数据的准确性和令人满意的代表性的模型使用，基本再生数的推导。所取得的成果说明了潜在的积极发展，并证明卫生部采取的严格预防措施是合理的。
2020-05-04 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
Estimation of the actual disease occurrence based on official case numbers during a COVID outbreak in Germany 2020
自2020年3月初以来，德国每天都有新型冠状病毒SARS-CoV-2感染病例的累计报告。这些报告源自国家法律，根据这些法律，阳性检测结果必须通过当地卫生当局提交给联邦卫生当局罗伯特·科赫研究所。由于预计会有大量未报告的病例，因此无法根据这些行政报告回答该疾病在人口中的传播范围问题。然而，使用数学模型可以进行估计。这些估计数表明，在疫情爆发之初进行的少量诊断检测忽略了相当一部分感染。为了覆盖未来疾病浪潮的初始阶段，建议进行广泛而全面的测试。
2020-05-07 q-bio.PE
Understanding the COVID19 Outbreak: A Comparative Data Analytics and Study
冠状病毒（亦称为COVID-19病毒）自二零一九年十一月下旬起在中国武汉出现。从那时起，它一直在大规模传播，直到今天在世界各地。它目前被认为是过去二十年来世界上病毒传播最严重的流行病，与2014年的埃博拉病毒，2012年的MERS和2003年的SARS相比。尽管仍处于疫情中期，但迫切需要了解COVID-19的影响。目的是澄清它是如何在短时间内以前所未有的方式在世界范围内传播如此之快的。本文是实现这一目标的第一个举措，它提供了关于冠状病毒的全面分析研究。本文的贡献在于提供了描述性和预测性模型，通过分析所有国家每日更新的疫情数据，深入了解COVID-19的影响。我们旨在回答几个悬而未决的问题：COVID-19如何在世界各地传播？它对大陆、区域和国家各级的确诊病例和死亡病例有何影响？它的严重程度与其他流行病爆发相比如何，包括2014年埃博拉病毒，2012年MERS和2003年SARS？确诊病例数和死亡病例数之间是否存在关联？我们提出了一个全面的分析可视化来解决上述问题。据我们所知，这是第一份为更好地了解COVID-19铺平道路的系统分析论文。本研究的分析仪表板和收集的数据可在线获取[1]。
2020-03-29 cs.SI q-bio.PE
COVID-19 attack rate increases with city size
目前爆发的2019新型冠状病毒病（COVID-19）对相互关联的人类社会构成了前所未有的全球健康和经济威胁。在研制出疫苗之前，控制疫情的策略依赖于积极的社交距离。这些措施在很大程度上切断了人类社会的社会网络结构，特别是在城市地区。在这里，我们估计了3月14日至3月19日美国城市COVID-19的增长率和繁殖数量，以揭示城市人口规模的幂律比例关系。这意味着COVID-19在大城市的平均传播速度更快，这意味着在不受控制的疫情中，预计在人口稠密的城市地区会有更大比例的人口受到感染。我们讨论了这些观察结果对控制COVID-19疫情的影响，强调有必要在大城市实施更积极的距离政策，同时保持社会经济活动。
2020-03-29 physics.soc-ph q-bio.PE
COVID-19 Regional Waves and Spread Risk Assessment through the Analysis of the Initial Outbreak in Guatemala
2019冠状病毒病疫情于2020年3月首次爆发，袭击危地马拉。在国家范围内，疫情经历了一个相当知名和可区分的初始阶段，于2020年7月中旬达到高峰。然而，详细的情况更加复杂，反映了流行病动态的区域间差异，可能是基于社会人口、连通性和人员流动因素。对区域流行曲线进行分类并确定区域COVID-19传播的主要中心，有助于为未来具有类似传播特性的传染病爆发确定循证风险图。在这项工作中，我们做了一个区域波分解的初始流行病阶段登记在危地马拉，我们使用理查兹现象学模型及其估计的模型参数的多元排序技术绘制全国范围内的第一波流行病。通过探索模型空间参数的相似性，我们追踪了疾病在全国范围内传播的路线。我们评估了拟议的分类如何帮助定义一个区域风险等级，包括早期阶段的联络点，主要枢纽和二级流行病进展地区。
2022-09-13 q-bio.PE
Evaluating Incidence and Impact Estimates of the COVID-19 Outbreak from Wuhan before Lockdown
背景：中国武汉是COVID-19疫情的中心。本研究的目的是在采取干预措施之前了解感染传播动力学。方法：通过pubmed和互联网检索资料和关键事件。使用从各种数据源中提取的数据计算流行病学数据。结果如下：我们建立了一个时间轴，显示到2020年1月1日，中国当局已获得令人信服的人传人证据;然而，直到2020年1月20日，这些信息才与公众分享。我们的研究估计，如果在2020年1月2日采取干预措施，总共将有10989例感染病例，而在2020年1月23日实施封锁时则有239875例。结论：中国隐瞒有关2020年COVID-19疫情的关键信息及其延迟反应，最终导致本世纪最大的公共卫生危机，如果采取早期对策，本可以避免。
2020-07-10 physics.soc-ph q-bio.PE
Importance of suppression and mitigation measures in managing COVID-19 outbreaks
我使用一个简单的流行病过程数学模型来评估四个基本量：繁殖数（R）、敏感个体（S）和传染性个体（I）的数量以及总社区规模（N）如何影响控制COVID-19的策略。数值模拟表明，在流行病开始时采取严格的抑制措施可以产生低传染性数字，此后可以通过更长时间的缓解措施来管理，以使流行病曲线变平。抑制措施越强，就能越快地实现有利于后续管理的低感染率。我们讨论了这种分析的预测，以及它如何适应长期的措施序列，包括使用群体免疫概念来利用获得性免疫。
2020-05-07 physics.soc-ph q-bio.PE
COVID-19: $R_0$ is lower where outbreak is larger
我们使用意大利伦巴第大区（受COVID-19疫情影响最严重的地区）的每日数据，对每个城市单独校准SIR模型。这些都由同一个卫生系统覆盖，在我们关注的封锁后阶段，所有这些都受到相同的社交距离规定的约束。我们发现，在分析期开始时病例数较高的城市扩散率较低，这不能归因于群体免疫。特别是，有一个强大的和非常显着的负相关性之间的估计基本繁殖数（$R_0$）和初始爆发规模，在相反的作用$R_0$作为一个\emph{predictor}的爆发规模。我们探讨了对这一现象的不同可能解释，并得出结论，更多的病例会导致行为的改变，例如在人群中采取更严格的社交距离措施，从而减少传播。这一结果要求透明、实时地分发详细的流行病学数据，因为这些数据会影响受疫情影响地区人口的行为。
2020-04-16 econ.GN physics.soc-ph 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
A Dynamical Framework for Modeling Fear of Infection and Frustration with Social Distancing in COVID-19 Spread
在本文中，我们介绍了一种新的建模框架，将感染的恐惧和挫折与社会距离到疾病的动力学。我们发现，由此产生的SEIR行为感知模型有三个主要模式的定性行为-没有爆发，控制爆发，和不受控制的爆发。我们还表明，该模型可以产生短暂的和持续的感染波符合二次爆发。我们将该模型与来自多个地区的COVID-19病例和死亡率数据进行了拟合。我们的分析表明，在第一波感染后出现显著下降的地区，如加拿大和以色列，更有可能遏制第二波感染，而在最初减缓疾病传播方面仅取得适度成功的地区，如美国，可能会出现大量的第二波或不受控制的疫情。
2020-08-13 math.DS physics.soc-ph q-bio.PE
Quickest Detection and Forecast of Pandemic Outbreaks: Analysis of COVID-19 Waves
截至二零二零年十二月，COVID-19疫情已在全球范围内造成逾170万人死亡，并令全球最先进的医疗系统承受沉重压力。在许多国家，政治当局采取的严厉限制措施，如全国封锁，并没有阻止新的大流行浪潮的爆发。在这篇文章中，我们提出了一个综合的检测-估计-预测框架，该框架使用公开可用的数据，旨在：（i）了解大流行的相关特征（例如，感染率）;（ii）尽快发现传染病指数增长的开始（或结束）;及（iii）可靠地预测大流行病的演变。通过分析美国的COVID-19第二波和第三波，验证了所提出的解决方案。
2021-04-21 eess.SP physics.soc-ph q-bio.PE
COVID-19 Outbreak in Pakistan: Model-Driven Impact Analysis and Guidelines
受COVID-19在全球迅速传播的影响，我们对不同可能情况下的系统动态流行病传播模型进行了模拟。模拟不仅捕捉了病毒传播的模型动态，而且还考虑了人口和流动性数据。该模型是根据流行病数据和事件，特别是巴基斯坦，这可以很容易地推广校准。模拟结果相当令人不安，表明即使有严格的社交距离和测试策略，在相当长的时间内（甚至超过一年），传播将是显著的（成千上万）。真正的警报是，当这些措施中的一些在这段时间内被短时间泄露时，这可能导致灾难性的情况，数百万人将被感染。
2020-03-31 math.OC q-bio.PE
Effective containment explains sub-exponential growth in confirmed cases of recent COVID-19 outbreak in Mainland China
中国内地最近爆发的COVID-19疫情的特点是，在疫情早期阶段，确诊病例呈明显的代数次指数增长，而在繁殖率足够大的情况下，不受限制的疫情预计会出现初始指数增长。尽管中国大陆受影响省份之间的病例数差异很大，但标度律$t^μ$具有令人惊讶的普遍性，其指数范围为$μ=2.1\pm0.3$。这种行为的普遍性表明，尽管中国受影响省份的社会、区域、人口、地理和社会经济异质性，但此次疫情由标准流行病学模型无法捕捉的基本机制主导。我们发现，所观察到的缩放法是遏制政策，有效地耗尽易感人群的直接后果。为此，我们引入了一个简约的模型，捕捉两个，隔离症状感染者以及人口范围内的隔离，以应对缓解政策或行为变化。对于广泛的参数范围内，该模型再现了所观察到的标度律在确认的情况下，并解释了所观察到的指数。定量拟合经验数据允许无症状或少症状，身份不明的感染者的数量的高峰时间的识别，以及估计的基本繁殖数的地方变化。该模型表明，在确诊病例中观察到的比例律是影响相当一部分易感人群的有效污染策略和/或系统行为变化的直接特征。这些见解可能有助于在其他地方潜在的出口导致的COVID-19继发性疫情或其他紧急传染病的类似未来疫情中实施遏制策略。
2020-02-18 physics.soc-ph q-bio.PE
A machine learning methodology for real-time forecasting of the 2019-2020 COVID-19 outbreak using Internet searches, news alerts, and estimates from mechanistic models
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Tecnológico de Monterrey（蒙特雷理工学院）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Northeastern University（东北大学）；ISI Foundation（ISI基金会）
我们提出了一种及时而新颖的方法，通过可解释的机器学习方法，将来自机械模型的疾病估计与数字痕迹相结合，以实时可靠地预测中国各省的COVID-19活动。具体来说，我们的方法能够产生稳定和准确的预测2天前的当前时间，并作为输入（a）从中国疾病预防控制中心的官方健康报告（中国疾病预防控制中心），（b）百度的COVID-19相关互联网搜索活动，（c）Media Cloud报告的新闻媒体活动，以及（d）GLEAM对COVID-19活动的每日预测，一种基于代理的机械模型。我们的机器学习方法使用聚类技术，可以利用中国各省COVID-19活动的地理空间同步性，并使用数据增强技术来处理少量的历史疾病活动观察结果，这是新爆发的特征。我们的模型在中国32个省份中的27个省份的预测能力优于一系列基准模型，并且可以轻松扩展到目前受COVID-19疫情影响的其他地区，以帮助决策者。
2020-04-08 cs.LG q-bio.PE stat.ML
Modeling of Asymptotically Periodic Outbreaks: a long-term SIRW2 description of COVID-19?
随着COVID-19爆发进入第三个年头，我们现在有足够的数据可以用数学模型分析大流行在一段长时间内的行为。大流行病交替出现高感染率和低感染率时期，这一方式揭示了可用于可靠预测的数学模型的性质。这里提出的模型的主要假设是，振荡行为是爆发的结构特征，即使没有假定的系数的时间依赖性。因此，它应该反映在极限环作为渐近解的存在。这源于引入（i）基于免疫增强剂概念的非线性减弱免疫力（已用于其他病理）;（ii）区分首次感染/接种的个体和已感染/接种、经历新感染/剂量的个体的区室精细描述。我们提供了一个概念证明，我们的新模型能够再现许多传染病的长期振荡行为，特别是感染波的周期性。周期解是模型固有的，并且在不及时改变参数值的情况下实现。这可能是COVID-19和类似疾病长期建模的重要一步，因为解决方案的自然、非强制行为显示了COVID-19大流行期间观察到的定性特征。
2022-03-15 math.DS q-bio.PE
Modeling, state estimation, and optimal control for the US COVID-19 outbreak
新型冠状病毒SARS-CoV-2和由此产生的COVID-19疾病已经史无前例地传播，并继续在全球范围内造成越来越多的死亡人数。虽然疫苗仍在开发中，但保持社交距离、广泛检测和对确诊感染者进行隔离仍然是遏制大流行的最有效措施。这些措施带来了巨大的社会经济成本。在这项工作中，我们介绍了一种新的基于优化的决策框架，用于管理美国的COVID-19疫情。这包括对受影响人群的动态进行建模，从数据中估计模型参数和隐藏状态，以及用于对社交距离和测试事件进行排序的最佳控制策略，以使感染数量最小化。对我们大量计算工作的分析表明，社交距离和隔离在早期实施时最有效，对确诊感染受试者的隔离具有更高的影响。此外，我们发现，在严格的社交距离和放松这些限制之间交替的“开关”政策可以有效地“拉平”曲线，同时可能最大限度地减少社会和经济成本。
2020-04-18 math.OC q-bio.PE
A model-based assessment of social isolation practices for COVID-19 outbreak response in residential care facilities
本文通过智能体模型评估养老护理机构中一般性社会隔离对 COVID-19 疫情的控制效果，发现其在无症状筛查和确诊病例隔离之外仅带来约 12% 的额外病例减少，边际效益有限。
2024-09-02 q-bio.PE
Course of the first month of the COVID 19 outbreak in the New York State counties
我们说明并研究了从3月1日至4月1日整个纽约州以及每个县报告的感染情况的演变。我们寻找指数趋势，并试图了解这些趋势的时间和动态是否与国家规定的社交距离和测试措施有任何相关性。我们的结论是，4月1日的报告可能严重低估了全州感染的实际数量，我们建议在未来几周内重新评估数据，以监测暂停指令的影响，以及作为验证措施的伤亡人数的增加。
2020-04-10 physics.soc-ph q-bio.PE
Generalized logistic growth modeling of the COVID-19 outbreak: comparing the dynamics in the 29 provinces in China and in the rest of the world
COVID-19始于中国武汉，已蔓延至全球。我们将Logistic增长模型、广义Logistic增长模型、广义Richards模型和广义增长模型校准到中国全国、中国29个省和33个已经或正在发生重大疫情的国家和地区的报告感染病例数。我们剖析了疫情在中国的发展，以及在总体水平和每个省份内采取严厉控制措施的影响。我们定量地记录了中国爆发的四个阶段，并详细分析了各省之间的异质性情况。中国实施的极端遏制措施非常有效，各省之间存在一些具有指导意义的差异。借鉴中国的经验，我们对其他国家的疫情发展进行了情景预测。我们发现，14个国家（主要在西欧）的疫情已经结束，而其中几个国家的病例又死灰复燃。模拟结果清楚地表明，西方国家的后峰轨迹较长，而中国大部分省份的后峰轨迹的特点是衰减快得多。我们确定了处于不同疫情进展水平的三组国家，并为当前的全球大流行提供了信息性影响。
2020-09-23 physics.bio-ph q-bio.PE stat.AP
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
Metropolitan-scale COVID-19 outbreaks: how similar are they?
在这项研究中，我们使用2020年1月21日至3月25日的美国县级COVID-19病例数据，研究大都市规模病例增长的指数行为。特别是，我们假设所有本地化的爆发都处于早期阶段（无论是经历指数增长的情况下，或有效地控制），并比较不同的简单指数和线性增长模型的解释性能为不同的大都市地区。虽然我们发现城市规模与指数增长率之间没有关系（与$R0$直接相关，后者表示受感染个体感染的平均病例数），但我们确实发现，较大的城市似乎更早开始指数传播，因此在提交时处于大流行的更高级阶段。我们还使用最近的数据来计算我们模型的预测误差，并发现在许多城市，在3月26日之前的数据上训练的指数增长模型对最近一段时间（3月26日至30日）的病例数量预测效果不佳，这可能表明通过社交距离促进的新病例数量减少。
2020-04-06 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
COVIDHunter: An Accurate, Flexible, and Environment-Aware Open-Source COVID-19 Outbreak Simulation Model
ETH Zurich（苏黎世联邦理工学院）
背景资料：及早发现和隔离COVID-19患者对于成功实施缓解策略并最终遏制疾病传播至关重要。由于每个国家每天进行的COVID-19检测数量有限，模拟COVID-19传播以及每种缓解策略的潜在影响目前仍然是管理医疗系统和指导政策制定者的最有效方法之一。研究方法：我们引入COVIDHunter，这是一个灵活而准确的COVID-19疫情模拟模型，可评估适用于某个地区的当前缓解措施，并就即将实施的缓解措施的强度提供建议。COVIDHunter的关键思想是通过模拟受感染者造成的新感染的平均数量来量化COVID-19在地理区域的传播，同时考虑外部因素的影响，例如环境条件（例如，气候、温度、湿度）和缓解措施。结果如下：COVIDHunter以瑞士为例，估计如果政策制定者将缓解措施放宽50%，持续30天，那么医院床位的每日容量需求和每日死亡人数平均将成倍增加5.1倍，这些人可能会在一段时间内占用ICU床位和呼吸机。与现有模型不同，COVIDHunter模型可以准确监测和预测每日因COVID-19导致的病例、住院和死亡人数。我们的模型是灵活的配置和简单的修改，在不同的环境条件和缓解措施下模拟不同的场景。可用性：我们在https://github.com/CMU- SAFARI/COVIDHunter上发布了COVIDHunter实现的源代码，并展示了如何为任何场景灵活配置我们的模型，并轻松地将其扩展…
2022-06-08 cs.LG cs.SI q-bio.PE
Estimating COVID-19 cases and outbreaks on-stream through phone-calls
International Center for Advanced Studies (ICAS)（国际高级研究中心（ICAS））；ICIFI-CONICET；ECyT-UNSAM；Ministerio de Salud de la Provincia de Buenos Aires（布宜诺斯艾利斯省卫生部）
控制COVID-19疫情蔓延的主要问题之一是确诊病例的延迟。在实验室确认之前获得有关流行病演变或爆发上升的变化的信息对于公共卫生政策的决策至关重要。我们提出了一种算法，使用从电话到COVID-19热线的数据来估计COVID-19病例的数量。通过将呼叫建模为背景（与人口成比例）加信号（与感染成比例），我们将布宜诺斯艾利斯省（阿根廷）的呼叫与决定系数$R^2 > 0.85$拟合。这一结果使我们能够在实验室结果公布前几天，根据来自特定地区的电话数量估计病例数。我们用实际数据验证了算法。我们展示了如何使用该算法来跟踪流的流行病，并提出了早期爆发警报，以提前检测爆发的实验室结果。在开发的算法中的一个关键点是在估计的不确定性的详细跟踪，因为警报使用的重要性的可观测值作为一个主要指标来检测异常。我们介绍了在Villa Azul（Quilmes）的明确例子的细节，该工具对及时控制疫情至关重要。所提出的工具已被设计的紧迫性与可用的数据在发展的时候，因此，有其局限性，我们描述和讨论。我们考虑对这些工具进行可能的改进，其中许多工具目前正在开发中。
2020-10-10 cs.LG q-bio.PE stat.ML
The Framework for the Prediction of the Critical Turning Period for Outbreak of COVID-19 Spread in China based on the iSEIR Model
本研究的目标是建立一个通用框架，用于预测传染病疫情（如今年年初中国爆发的COVID-19）的所谓关键转折期。该框架能够及时预测武汉COVID-19疫情的转折期，并通知相关部门采取适当和及时的行动控制疫情。预计将为全球当前抗击COVID-19疫情的转折期提供有见地的信息。在我们的框架中，底层的数学模型是个体易感-暴露-排斥-去除（iSEIR）模型，其是一组微分方程，扩展了经典SEIR模型。我们使用2020年2月6日至10日武汉每日观察到的COVID-19病例作为iSEIR模型的输入数据，并能够根据更新后的模型生成随后几天于2月10日午夜的COVID-19病例动态轨迹，据此我们预测武汉的COVID-19疫情转折期将于2月14日后一周内到来。这一预测变得及时和准确，为政府、医院、重要工业部门和服务提供了充足的时间，以满足高峰需求并准备善后计划。我们的研究亦支持自2020年1月23日起在武汉果断实施封锁及隔离控制计划，在平坦化疫情曲线方面所观察到的成效。武汉经验为全世界抗击新冠肺炎提供了可借鉴的经验。
2020-04-05 physics.soc-ph q-bio.PE stat.CO
The Outbreak Evaluation of COVID-19 in Wuhan District of China
2019年12月，中国武汉发现27例新型冠状病毒肺炎病例，世卫组织于2020年2月11日将其暂时命名为2019-nCoV，并正式命名为COVID-19。2019年12月和2020年1月，新型冠状病毒病在人群中大规模传播，给中国人民的生命财产带来巨大灾难。本文首先分析了病毒传播的特征和模式，并基于公共数据讨论了影响疫情传播的关键因素和不可控因素。进而对病毒传播进行建模，用于疫情发展的爆发期和消退期，为我国政府防疫和恢复经济生产的决策提供理论支持。进一步论证了中国政府采取的多级行政区域隔离等预防措施的有效性。对于世界应对突发公共卫生事件具有重要意义和现实意义。
2020-02-22 physics.soc-ph q-bio.PE
Spatiotemporal impacts of human activities and socio-demographics during the COVID-19 outbreak in the U.S
了解影响因素对于传染病的监测和预防至关重要，并且这些因素可能随着疾病的进展而在空间和时间上发生变化。以美国2019冠状病毒病（COVID-19）爆发期间的每日病例和死亡数据为案例研究，我们开发了一个移动性增强的地理和时间加权回归（M-GTWR）模型，以量化社会人口因素和人类活动对COVID-19动态的时空影响。与基本GTWR模型不同，我们采用了一个移动性调整的距离权重矩阵，其中除了空间相邻性之外，还使用旅行移动性来捕获本地观测之间的相关性。模型残差表明，该模型在解决时空非平稳性方面比其他基准方法有了很大的改进。我们的研究结果表明，社会人口和人类活动变量的影响呈现显着的时空异质性。特别是，人口密度增加1%可能导致每日病例和死亡增加0.63%和0.71%，平均通勤时间增加1%可能导致每日病例和死亡增加0.22%和0.95%。虽然人类活动的增加一般会加剧疾病的爆发，但我们报告说，在人口密度高的地区，杂货店和药店相关活动的影响微不足道。工作场所和公共交通的活动被发现会增加或减少病例和死亡人数，这取决于特定的地点。研究结果为确定疾病暴发的影响因素提供了一个定量框架，对指导传染病防治决策具有重要意义。
2021-04-26 physics.soc-ph q-bio.PE
The Gompertz Growth of COVID-19 Outbreaks is Caused by Super-Spreaders
在个别SARS-CoV-2爆发中，确诊病例和死亡人数的计数遵循Gompertz增长函数，适用于大小差异很大的地区。这种对区域大小的依赖性的缺乏使我们假设病毒的传播取决于社会互动网络的普遍属性。我们通过模拟不同拓扑结构的网络上的病毒传播来测试这一假设。我们的主要发现是，Gompertz增长观察到的早期爆发只发生在一个无标度网络，其中节点的邻居比平均水平多得多是常见的。这些有很多邻居的节点在疫情爆发的早期就被感染，然后迅速传播感染。当这些节点不再具有传染性时，具有最多邻居的剩余节点接管并继续传播感染。通过这种方式，传播速度在一开始是最快的，并立即减慢。从几何学上可以看出，流行病的“表面”，即与受感染节点接触的易感节点的数量，在流行病的早期和较大的节点一被感染就开始迅速减少。在我们的模拟中，病毒爆发的速度和影响取决于三个参数：每个节点的平均接触次数、被邻居感染的概率以及恢复的概率。减少未来疫情影响的明智干预措施需要关注这些关键参数，以尽量减少经济和社会附带损害。
2021-12-31 physics.soc-ph q-bio.PE
The early phase of the COVID-19 outbreak in Lombardy, Italy
2020年2月20日晚，意大利伦巴第大区确诊首例新型冠状病毒病（COVID-19）病例。在接下来的一周里，伦巴第的病例数量迅速增加。我们分析了首批5，830例实验室确诊病例，以提供西方国家COVID-19疫情的首个流行病学特征。通过对确诊病例及其密切接触者的标准化访谈收集流行病学资料。我们收集了人口统计学背景、症状发作日期、临床特征、呼吸道标本结果、住院情况、接触者追踪。我们提供了估计的再生数和序列间隔。意大利的疫情开始时间远早于2020年2月20日。在发现首例COVID-19病例时，疫情已经在南伦巴第大区的大部分城市蔓延。病例的中位年龄为69岁（范围为1个月至101岁）。47%的阳性受试者住院治疗。其中，18%需要特别护理。平均连续间隔估计为6.6天（95% CI，0.7 - 19）。我们估计基本繁殖数为3.1（95% CI，2.9至3.2）。我们估计，从2020年2月20日左右开始，净繁殖数量呈下降趋势。我们没有观察到有症状和无症状的鼻拭子中的病毒载量有显著差异。COVID-19的传播潜力非常高，危重病例的数量在很短的时间内可能对医疗系统造成不可持续的影响。我们观察到生殖数量略有下降，可能与人口意识的提高和干预措施的早期效果有关。为控制COVID-19的传播和医疗系统的灾难性后果，需要采取积极的遏制策略。
2020-03-20 q-bio.PE
OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany
Heidelberg University（海德堡大学）；Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院与北京协和医学院）；University Hospital Bonn（波恩大学医院）；University Hospital Heidelberg（海德堡大学医院）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Africa Health Research Institute（非洲健康研究所）
流行病学中的数学模型是确定传染病动态和重要特征的不可或缺的工具。除了它们的科学价值外，这些模型还经常被用来为正在发生的疫情期间的政治决策和干预措施提供信息。然而，通过将复杂的模型与真实数据连接起来来可靠地推断正在进行的疫情动态仍然很困难，并且需要费力的手动参数拟合或昂贵的优化方法，这些方法必须从头开始重复给定模型的每次应用。在这项工作中，我们解决这个问题的流行病学建模与专门的神经网络的新组合。我们的方法需要两个计算阶段：在初始训练阶段，描述流行病的数学模型被用作神经网络的教练，该网络获得有关所有可能的疾病动态的全局知识。在随后的推理阶段，训练好的神经网络处理实际爆发的观测数据并推断模型的参数，以便真实地再现观测到的动态并可靠地预测未来的进展。由于其灵活的框架，我们的基于模拟的方法适用于各种流行病学模型。此外，由于我们的方法是完全贝叶斯，它的目的是将所有可用的先验知识合理的参数值和返回完整的联合后验分布这些参数。将我们的方法应用于德国新冠肺炎疫情早期阶段表明，我们能够使用非常少量的真实世界观察结果获得重要疾病特征的可靠概率估计，例如世代时间、未检测到的感染比例、症状出现前的传播可能性以及报告延迟。
2021-11-02 cs.LG q-bio.PE stat.AP
Limited containment options of COVID-19 outbreak revealed by regional agent-based simulations for South Africa
COVID-19已从中国蔓延至欧洲和美国，并已成为全球大流行病。在全球南方国家，由于社会经济选择和医疗保健系统往往较弱，有效的地方对策仍然存在争议。我们将大规模的社会经济和交通调查数据与详细的基于代理的当地交通模拟相结合，以分析在一系列对策情景下，南非纳尔逊曼德拉湾市的区域模型中COVID-19的传播。模拟表明，任何现实的遏制战略，包括那些类似于正在南非，可能会产生多方面的超负荷可用的重症监护病房（ICU）。只有立即采取最严厉的应对措施，直至基本上禁止所有人类联合活动的全面封锁，才能有效遏制这一流行病。由于与全球南部的许多其他国家相比，南非表现出相当有利的条件，我们的研究结果构成了粗略的保守估计，并可能支持确定控制COVID-19以及这些国家未来任何重大流行病的策略。
2020-04-12 physics.soc-ph q-bio.PE q-bio.QM
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
Analysis and Prediction of COVID-19 Pandemic in Pakistan using Time-dependent SIR Model
目前的疫情被称为冠状病毒病或COVID-19，由病毒SAR-COV-2引起，继续在全球范围内肆虐。世界卫生组织（WHO）已宣布此次疫情为国际关注的突发公共卫生事件。在巴基斯坦，随着感染人数和伤亡人数迅速增加，病毒的传播正在加剧。在缺乏适当疫苗接种和治疗的情况下，为了减少感染和伤亡人数，迄今为止唯一的选择是教育人们采取预防措施，并在全国范围内实施封锁。任何有关预防措施的策略都需要基于对COVID-19爆发的详细分析和准确的科学预测。在本文中，我们进行了数学和数值分析，以提出对巴基斯坦疫情的可靠和准确的预测。时间依赖的易感-感染-传播（SIR）模型用于拟合数据并提供未来预测。大流行高峰的转折点定义为传播率小于恢复率的那一天。我们预测，疫情将在5月下旬至6月9日达到最高峰，未治愈病例数在20000-47000之间，累计感染病例数在57500-153100之间。在封锁的情况下，自杀人数将保持在较低水平，但如果疫情的传播不被遏制和局部化，自杀人数可能迅速增加一倍或两倍。4月15日以后的单日预测不确定度在5%以内。
2020-05-10 q-bio.PE
Early forecasts of the evolution of the COVID-19 outbreaks and quantitative assessment of the effectiveness of countering measures
我们发现，在我们调查的所有国家中，当前COVID-19爆发中新感染病例的日增长率的倒数（N/dN）的时间演变可以通过一个通用函数（即双参数Gumbel累积函数）准确描述。虽然这两个Gumbel参数，作为确定位适合的数据，不同国家（甚至在同一个国家的不同地区），反映了多样性和所采取的遏制措施的有效性，N/dN的演变的函数形式似乎是普遍的。在特定区域或国家的拟合结果相对于选定时间间隔的变化似乎是稳定的。这使得即使在相对小的时间段内也可以从数据数据稳健地估计两个参数。反过来，这使得人们能够预测大的提前和良好控制的置信水平，每日新感染高峰的时间，其幅度和持续时间（因此总感染），以及每天新感染减少到预设值的时间（例如，每百万人每天不到2例新感染），这对于规划重新开放经济和社会活动非常有用。我们使用这种形式主义来预测和比较COVID-19疾病在多个国家演变的这些关键特征，并对他们遏制疫情的成功程度进行定量评估。
2020-04-27 q-bio.PE q-bio.QM
A Novel Methodology for Epidemic Risk Assessment of COVID-19 outbreak
我们提出了一个新的数据驱动的框架，用于评估一个地理区域的先验流行病风险，并确定一个国家内的高风险地区。我们的风险指数被评估为三个不同组成部分的功能：疾病的危害，该地区的暴露和其居民的脆弱性。作为应用，我们讨论了意大利爆发的COVID-19疫情。我们使用现有的历史数据，空气污染，人类流动，冬季温度，住房集中，医疗保健密度，人口规模和年龄的20个意大利地区的特点。我们发现，与意大利中部和南部相比，北部一些地区的流行病风险更高。相应的风险指数显示了与感染者人数、重症监护患者和死亡患者人数的现有官方数据的相关性，并有助于解释为什么伦巴第、艾米利亚-罗马涅、皮埃蒙特和威尼托等地区比该国其他地区遭受的痛苦要多得多。尽管2019冠状病毒病疫情几乎同时在意大利北部（伦巴第大区）和中部（拉齐奥大区）爆发，但当首批病例于2020年初被正式认证时，该疾病在疫情风险较高的地区传播更快，后果更严重。我们的框架可以扩展并在其他流行病数据上进行测试，例如季节性流感，并应用于其他国家。我们还提出了一个政策模型与我们的方法，这可能有助于政策制定者采取明智的决定。
2021-01-22 physics.soc-ph q-bio.PE
Forecasting the outcome and estimating the epidemic model parameters from the fatality time series in COVID-19 outbreaks
在没有其他工具的情况下，监测保护措施的效果，包括社交距离和预测疫情的结果，具有巨大的意义。实时数据是嘈杂的，并且经常受到报告中的系统性错误的影响。详细的流行病模型可能包含大量的经验参数，这些参数无法以足够的精度确定。在本文中，我们表明，累计死亡人数可以被视为一个主变量，和流行病的参数，如基本再生数，易感人群的大小，和感染率可以确定。在SIR模型中，我们导出了一个显式的单变量微分方程的累积死亡人数的发展。我们发现，在西班牙，意大利和湖北省，中国的流行病密切遵循这个主方程。我们讨论了与Logistic增长模型的关系，我们表明，它是一个很好的近似时，基本再生数小于$2.3$。该条件适用于湖北的疫情，但不适用于西班牙、意大利和纽约的疫情。不同之处在于中国的传染期较短，这可能是由于感染者的隔离政策。对于具有更多内部变量的更复杂的模型，例如SEIR模型，由于时间尺度的分离，从SIR模型导出的方程近似地保持有效。
2020-08-01 physics.soc-ph q-bio.PE
Risk mapping for COVID-19 outbreaks in Australia using mobility data
The University of Melbourne（墨尔本大学）；The University of Adelaide（阿德莱德大学）；Victorian Department of Health and Human Services, Government of Victoria（维多利亚州卫生与人类服务部）；Department of Infectious Diseases, The Alfred and Central Clinical School, Monash University（蒙纳士大学阿尔弗雷德医院与中央临床学院传染病系）；University of New South Wales（新南威尔士大学）；Melbourne School of Engineering（墨尔本工程学院）；The Peter Doherty Institute for Infection and Immunity, The Royal Melbourne Hospital and The University of Melbourne（彼得·多赫蒂感染与免疫研究所、皇家墨尔本医院和墨尔本大学）
本研究利用近实时人口移动数据提出一种空间传播风险评估方法，并在澳大利亚三个COVID-19疫情情景中验证，证明移动数据能有效预测暴露风险地理分布，有助于检测资源分配和针对性限制措施的实施。
2020-12-04 physics.soc-ph q-bio.PE
Modeling ambient temperature and relative humidity sensitivity of respiratory droplets and their role in Covid-19 outbreaks
围绕新冠肺炎大流行的许多悬而未决的问题之一是，局部疫情是否可以取决于温度和相对湿度等环境条件。在本文中，我们开发了一个模型，试图解释和描述呼吸道飞沫的温度和相对湿度的敏感性，以及它们在确定病毒爆发中的可能联系。该模型有两个部分。首先，我们根据反应机制对受感染人口的增长率进行建模-其最终方程类似于众所周知的SIR模型。使用反应机制模拟大流行病的优点是速率常数具有合理的物理解释。使用碰撞率理论推导出的感染率常数，并示出是呼吸液滴寿命的函数。在第二部分中，我们已经将负责疾病传播的呼吸道飞沫模拟为盐溶液飞沫，并计算了它们的蒸发时间，考虑了飞沫冷却、热量和质量传递以及最终盐的结晶。该模型的输出与实验获得的纯水和盐溶液的悬浮液滴的蒸发特性，分别比较有利，确保模型的保真度。液滴蒸发/干燥时间实际上取决于环境温度和相对湿度，在室外和室内条件下都要考虑。由于液滴蒸发时间决定了感染率常数，因此环境温度和相对湿度显示出影响爆发增长率。
2020-04-29 cond-mat.soft physics.flu-dyn q-bio.PE
The dynamics of entropy in the COVID-19 outbreaks
随着COVID-19大流行的展开，流行病的数学建模已被视为理解、预测和管理流行病事件的核心要素。然而，很快就清楚地表明，长期预测是非常具有挑战性的。此外，目前还不清楚应使用哪种衡量标准来全面描述疫情的演变。然而，一个强大的流行动力学模型和一致的选择的传播度量是至关重要的宏观现象和更明智的缓解策略的深入理解。在这项研究中，我们提出了一个马尔可夫随机框架，旨在描述COVID-19大流行期间熵的演变和瞬时繁殖率。然后，我们引入并使用基于熵的全球传播指标来衡量流行病事件的影响和时间演变。在制定的模型，时间演变的爆发是由一个统计平均的个人的非线性马尔可夫过程的主方程建模，导致一个明确的物理解释。我们还提供了一个完整的贝叶斯反演方案进行校准。熵率的时间演化、系统熵的绝对变化和瞬时再生率是这个框架的自然和透明的输出。该框架具有适用于任何分区流行病模型的吸引力。作为一个例子，我们将所提出的方法应用到一个简单的修改的易感-暴露-删除（SEIR）模型。将该模型应用于湖北地区、韩国、意大利、西班牙、德国和法国的COVID-19数据集，我们发现熵的绝对变化存在显着差异，但熵演化和瞬时繁殖率的趋势都具有高度的规律性。
2020-07-08 physics.soc-ph q-bio.PE q-bio.QM
