Profiling of a network behind an infectious disease outbreak
Social Design Group（社会设计集团）
随机性和空间异质性是近年来研究传染病传播的热点问题。所提出的方法解决了一个反问题，发现有效的决定性的拓扑结构的异构网络，并揭示了传输参数的控制随机蔓延的网络从一个传染病爆发的数据集在早期的增长阶段。用随机微分方程描述了流行病房室模型和元人口网络模型的组合中的人口。概率密度函数来自方程和用于拓扑结构和参数的最大似然估计。用计算合成的数据集和世界卫生组织SARS爆发数据集对该方法进行了测试。
2010-06-14 cs.AI 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
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
Introduction to statistical inference for infectious diseases
本文首先介绍了传染病传播的一般随机流行病模型。然后，我们给出了用于推断模型参数的方法，例如基本再现数$R_0$和疫苗接种覆盖率$v_c$，假设来自爆发的不同类型的数据，例如最终爆发的细节和时间数据或来自正在进行的爆发的观察。讨论了个体非均匀性和非均匀混合。我们还提供了一个概述的统计方法来执行参数估计的随机流行病模型。在最后一节中，我们描述了传染病监测中的早期爆发检测问题和用于此目的的统计模型。
2014-11-13 q-bio.PE stat.ME
Ancestral process for infectious disease outbreaks with superspreading
针对小规模传染病爆发，本研究精确推导了感染者具有相同传染源的概率，结合 Poisson 和 Negative-Binomial 后代分布，提出了允许多谱系共同聚合的 omega-coalescent 新模型。
2025-01-29 q-bio.PE
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
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
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
Modeling Super-spreading Events for Infectious Diseases: Case Study SARS
传染病的超级传播事件发生在某些感染者的感染超过继发病例的平均数量时。2003年爆发的严重急性呼吸系统综合征（SARS）中，已经确定了几个超级传播个体。以SARS的爆发为例，建立了传染病超传播事件的模型。使用这个模型，我们描述了两种方法来估计模型的参数，我们证明了小规模的SARS疫情在淘大花园，香港，和大规模的爆发在整个香港特别行政区。一种方法是基于经典的易感-感染-去除（SIR）疾病模型的参数计算.第二种是基于文献中的参数估计。使用SIR模型计算的参数，我们的模型预测的结果类似于SIR模型。另一方面，使用SARS文献的参数估计，我们的模型预测一个更严重的流行病。
2010-10-15 q-bio.PE
Leveraging Insight from Centuries of Outbreak Preparedness to Improve Modern Planning Efforts
尽管几个世纪以来，大流行防范一直是公共卫生规划的重点，在此期间，我们对传染病动态的了解有所增加，但我们管理疫情的方法相对保持不变。我们建议利用这段历史来确定取得实际进展的机会。我们将当前的计划与历史上的疫情控制措施进行了对比，并将现代的复杂性如何在如何最好地预测和缓解疫情方面产生额外的挑战隔离开来。我们分析了多样性的公开可用的现代准备计划的背景下，一个基于历史的虚构的疫情控制策略中描述的笛福的杂志的鼠疫年（1720年出版）。我们确定的主题，准备规划，保持不变的历史背景下，即使他们继续积极评估规划工作。更重要的是，我们隔离了备灾规划中仍然主要未解决的关键现代挑战。这些尚未解决的现代问题为有意义的改进提供了最佳途径。将我们的规划工作转向关注已确定的新问题，可能会大大加强我们从地方到全球应对传染病威胁的能力。
2020-05-20 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
Modeling the early evolution of the COVID-19 in Brazil: results from a Susceptible-Infectious-Quarantined-Recovered (SIQR) model
严重急性呼吸系统综合征冠状病毒2（SARS-Cov2或简称COVID-19）的全球演变导致世界卫生组织宣布其为大流行病。这种疾病于2019年12月在中国出现，并在世界各地迅速蔓延，特别是在意大利和西班牙等欧洲国家。巴西于2月26日记录了第一例报告病例，此后病例数量迅速增长。为了减缓疾病在全国的最初增长，确诊的阳性病例被隔离，以防止疾病传播。为了更好地了解COVID-19在巴西的早期演变，我们应用易感-传染-隔离-隔离（SIQR）模型分析了巴西卫生部从2020年2月26日至2020年3月25日获得的数据。根据分析和数值计算的结果，并根据已有的数据，估计了基本再生数为$R_{0}=5.25$。此外，我们估计，在疫情开始时，未确定的传染性个体和确诊病例的比例约为$10$，与以前的研究一致。我们还估计流行病的倍增时间为$2.72$天。
2020-05-22 physics.soc-ph q-bio.PE
The structure of infectious disease outbreaks across the animal-human interface
尽管人畜共患病感染与世界范围的公共卫生有着巨大的相关性，尽管在模拟个体人畜共患病方面做了很多努力，但仍然缺乏对疾病动力学和此类系统中爆发的性质的基本理解。我们引入了一个简单的随机模型，在一个耦合的动物-人类集合种群的易感-感染-恢复动力学，并解决了耦合爆发的几个重要性质的分析。在早期的时间尺度上，我们解决了溢出的概率和时间，以及作为模型参数的函数的动物种群中的疾病流行率。在很长一段时间，我们的特点分布的爆发规模和一个大的人类爆发的临界阈值，这两者都表现出很强的依赖于动物种群的基本繁殖数。动物和人类感染动力学的耦合有几个关键的影响，最重要的是允许大规模人类暴发的可能性，即使在人际传播是亚临界的。
2013-07-16 cond-mat.stat-mech 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
Modelling Recovered Cases and Death Probabilities for the COVID-19 Outbreak
从3月23日起，约翰霍普金斯大学与世界卫生组织合作维护的标准数据库中缺少COVID-19治愈病例的数据。但是，由于有关康复患者的数据对于COVID-19疫情建模极其重要，因此提供并测试了一种估计缺失数据的方法。作为一个副产品，它产生的概率估计死亡$k$天后确认，或生存后$d$天。
2020-03-26 q-bio.PE
On Key Epidemiological Metrics during Infectious Disease Outbreaks
在这项工作中，我们回顾了用于表征流行病爆发的数字。特别注意的是，流行病的传播随时间变化的过渡率。采用时变类SIR模型来描述传染病的动力学过程，导出了与繁殖率、倍增时间等关键量和参数相关的封闭方程。这些指标的定义和计算的背景下，随时间变化的模型动力学的一般解决方案重新审视，专注于与时不变的情况下的相似性和差异。此外，还研究了这些指标的预测，即疾病演变，作为对不同情况的响应。
2020-11-04 cs.SY eess.SY 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
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
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
Social distancing and epidemic resurgence in agent-based Susceptible-Infectious-Recovered models
一旦通过非药物干预措施有效控制了疫情爆发，就需要制定一项安全的协议，以便随后解除社交距离限制，以防止灾难性的感染死灰复燃。我们报告基于个人的数值模拟的随机易感染性恢复模型的变种在四个不同的空间组织的晶格和网络架构，其中接触和流动性的限制。我们有力地发现，只要这些限制的释放被充分延迟（持续时间至少是未缓解的爆发高峰期的三倍），并且长途连接保持在较低水平（限制在整体连接的5%以下），流行病复发波的强度和空间传播可以限制在可管理的范围内。
2020-12-20 physics.soc-ph q-bio.PE
A Data-Validated Host-Parasite Model for Infectious Disease Outbreaks
模型实验系统和数学模型的使用对于进一步理解传染病动力学和制定疾病缓解战略非常重要。三指虫是硬骨鱼的蠕虫体外寄生虫，其具有微寄生虫的许多动力学特征，但其优点是它们可以随着时间的推移进行定量和跟踪，从而进一步了解宿主内和流行动力学。本文设计了一个描述孔雀鱼-三代虫系统的宿主-寄生虫动力学模型，利用实验数据估计了模型的参数并进行了验证，估计了该系统的基本繁殖数R_0。敏感性分析表明，寄生虫的生长速度，并在孔雀鱼安装的免疫反应的速度有最大的影响爆发高峰和时间的初始爆发和较长的时间尺度。这些研究结果突出了孔雀鱼种群抗性和寄生虫毒力作为疾病控制的关键因素，未来的工作应该集中在将宿主抗性的异质性纳入疾病模型和外推到其他宿主-寄生虫系统。
2019-08-29 math.DS q-bio.PE stat.CO
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
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
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
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
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
Spatial-Temporal Dataset of COVID-19 Outbreak in China
我们提供中国2019冠状病毒病（COVID-19）统计数据集：中国城市/县级COVID-19疫情的每日统计数据。对于每个城市/国家，我们包括了流行病研究中最重要的六个数字：每日新增感染人数、累计感染人数、每日新增治愈人数、累计治愈人数、每日新增死亡人数和累计死亡人数。我们对数据集进行了交叉验证，估计误差率约为0.04%。然后，我们给出了几个例子，以展示如何追踪特定城市或省份的传播，并对比了COVID-19在中国所有城市的早期、中期和晚期阶段的发展。我们希望这个数据集可以帮助世界各地的研究人员更好地了解COVID-19在区域层面的传播动态，为政策制定者提供干预和缓解策略。
2020-04-07 q-bio.PE
System inference for the spatio-temporal evolution of infectious diseases: Michigan in the time of COVID-19
我们扩展了经典的SIR模型的传染病传播的时间依赖性的参数，其中还包括扩散。时间依赖占不断变化的特点，测试，检疫和治疗协议，而扩散纳入流动人口。该模型已应用于美国密歇根州COVID-19疫情演变的数据。对于系统推理，我们使用最新的进展;特别是我们的变分系统识别框架（Wang等人，比较方法应用机械工程师，356，44-74，2019; arXiv：2001.04816 [cs.CE]）以及贝叶斯机器学习方法。
2020-07-02 q-bio.PE
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
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
Some fractal thoughts about the COVID-19 infection outbreak
关于广义逻辑方程描述COVID-19感染爆发以及其他许多流行病爆发的表观能力的物理动机，提出了一些想法。这里的主要重点是：描述"传染事件集"的轨迹的复杂、可能是分形的结构;从具有"羊群行为"的营养网模型中可以学到什么。
2020-04-08 math.DS physics.bio-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
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
Phenomenological analysis of the 2020 COVID-19 outbreak dynamics
在COVID-19病毒爆发后，对不同国家之间的疾病传播动态进行了简要的现象学（描述性，比较性）分析。结果表明，感染传播动态目前在美国最明显（确诊病例目前每2.16天翻一番，翻一番时间呈下降趋势），而确诊病例最多的其他国家显示出不同的值和趋势。目前，德国报告的死亡人数每2.28天翻一番，法国为2.56天，瑞士为2.57天，法国为2.59天，美国为2.62天，而目前只有法国和美国表现出进一步加速（加倍时间减少）。
2020-03-24 q-bio.PE
Simulation of the impact of people mobility, vaccination rate, and virus variants on the evolution of Covid-19 outbreak
我们进一步扩展了描述意大利感染传播的房室模型。该模型基于以下假设：所有可观察量（对感染仍呈阳性的人数、住院和死亡病例、治愈人数和感染总人数）的时间演变取决于平均参数，即人员扩散系数、感染截面和人口密度。该模型提供了宝贵的信息，说明报告的感染病例的变化与一个明确定义的可观察物理量之间的密切关系：任何一个人每天流离失所地区内的平均人数。该模型的扩展现在包括自洽的评价的繁殖指数，由于接种疫苗的免疫效果，和病毒变种的动态演变的爆发的潜在影响。该模型非常符合流行病数据，并使我们能够将住院病例和死亡人数的时间演变与人员流动性，疫苗接种率以及新病毒变种阳性人群初始浓度的变化严格联系起来。
2021-02-08 physics.soc-ph q-bio.PE
Epidemic "momentum" and a conservation law for infectious disease dynamics
McMaster University（麦克马斯特大学）；Sorbonne Université（索邦大学）
本文提出'传染病动量'概念，揭示传染病动力学中的守恒定律，通过分析流行率与潜在感染能力的关系，区分传播力与免疫力，为理解传染病爆发提供新视角。
2026-09-09 q-bio.PE
IDOBE: Infectious Disease Outbreak forecasting Benchmark Ecosystem
Biocomplexity Institute, University of Virginia（生物复杂性研究所，弗吉尼亚大学）；Johns Hopkins University（约翰霍普金斯大学）；Biocomplexity Institute and Department of Computer Science, University of Virginia（生物复杂性研究所与计算机科学系，弗吉尼亚大学）；University of Pittsburgh（匹兹堡大学）
本文提出IDOBE，一个专注于爆发预测的编纂流行病时间序列数据集，通过衍生分割生成超过10000个爆发案例，采用多种信息理论和分布度量方法评估数据集多样性，并利用11种基线模型进行多时间跨度短期预测，评估NMSE、MAPE及NWIS等指标。
2026-04-29 cs.AI cs.LG q-bio.PE
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
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: $R_0$ 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
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
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
An efficient explicit approach for predicting the Covid-19 spreading with undetected infectious: The case of Cameroon
本文考虑了一种显式数值格式，用于求解具有未发现传染病例的新冠肺炎疫情传播的数学模型。在$L^{\infty}$ -范数下分析了新方法的稳定性和收敛速度。所提出的方法是耗时较少。此外，该方法是稳定的，至少二阶收敛，可以作为一个强大的工具，为一般系统的常微分方程的集成。一套广泛的数字证据，考虑喀麦隆的情况下，提出和讨论。
2020-05-26 cs.NA math.NA 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
Complex social contagion makes networks more vulnerable to disease outbreaks
社会网络分析现在被广泛用于研究传染病在人与人之间传播的动态。疫苗接种极大地破坏了疾病在接触网络上的传播过程，事实上，足够高的疫苗接种率可以破坏这一过程，从而有效地阻止疾病在网络上的传播。在这里，我们建立在越来越多的证据基础上，这些证据表明，健康行为--如接种疫苗和拒绝接种疫苗--可以通过社交网络传播，这是一个复杂的传染过程，需要社会强化。通过对健康行为和传染病传播进行网络模拟，我们发现，在其他条件相同的情况下，健康行为传播的过程对疾病爆发动态具有非常强的影响。这种动态变化是由于健康行为传播过程中出现的易感社区内的拓扑结构差异造成的，而这反过来又取决于整个社交网络的拓扑结构。我们的研究结果指出了健康行为传播在预测和控制疾病爆发方面的重要性。
2012-11-01 cs.SI physics.soc-ph q-bio.PE
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
