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
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
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
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
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
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
Interplay of social distancing and border restrictions for pandemics (COVID-19) via the epidemic Renormalisation Group framework
我们证明，流行病重新正常化组的方法，大流行病提供了一个有效的和简单的方法来调查疾病传播的动态和世界不同地区的蔓延。该框架还允许对旅行限制和社交距离措施对全球流行病传播的影响进行可靠预测。我们在报告的病例上测试和校准它，同时揭示了全球不同地区新感染病例相对高峰延迟的机制。我们发现，在推迟疫情高峰方面，社交距离措施比跨境旅行限制更有效。我们还提供了与房室模型的链接，例如简单的和历史悠久的类SIR模型。我们还展示了如何概括的框架，以占世界上几个地区的相互作用，取代或补充大规模的模拟。
2020-05-11 physics.soc-ph q-bio.PE
Estimating, Monitoring, and Forecasting the Covid-19 Epidemics: A Spatio-Temporal Approach Applied to NYC Data
我们提出了一个SEIR类型的元种群模型来模拟和监测COVID-19疫情的演变。基本模型由七个部分组成，即易感（S）、暴露（E）、三个感染类别、恢复（R）和死亡（D）。我们在m个不同的空间位置为n个年龄和性别组定义这些隔间。因此，对于每个年龄组，性别和地点，所产生的模型具有所有流行病学类。它们之间的混合是通过依赖于时间的感染率矩阵来完成的。该模型使用纽约市及其行政区每日新增感染的曲线进行校准，包括人口普查数据，以及每个年龄段的感染，住院和死亡比例。我们最终得到了一个模型，该模型与报告的曲线相匹配，并准确预测了不同地区和年龄段的感染信息。
2020-11-17 physics.soc-ph q-bio.PE
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
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
Time, Space and Social Interactions: Exit Mechanisms for the Covid-19 Epidemics
我们开发了一个极简房室模型，以研究新冠肺炎疫情期间意大利流动限制的影响。我们发现，早期封锁会使疫情在时间上发生变化，而超过封锁强度的临界值，疫情往往会在解除限制后重新开始。因此，必须采取具体的缓解战略。我们的特点是不同的广泛战略的相对重要性，占异质性的两个基本来源，即地理和人口。首先，我们认为意大利各地区作为独立的行政实体，在其中发生的年龄阶层之间的社会互动。由于区域间流动矩阵稀疏，一旦开始，流行病往往在各地区独立发展，因此有理由采取针对个别区域或区域集群的解决办法。其次，我们表明，年龄阶层之间的社会联系发挥着根本性的作用，并考虑到人口的年龄结构的措施可以提供一个显着的贡献，以减轻反弹效应。我们的模型是通用的，虽然它没有分析具体的缓解策略，但它突出了一些关键参数对流行病非药物缓解机制的相关性。
2021-02-04 physics.soc-ph q-bio.PE
A numerical simulation of the COVID-19 epidemic in Argentina using the SEIR model
一场由新型冠状病毒引起的大流行病在全球蔓延，影响到了阿根廷。我们实施了一个SEIR模型来分析疾病在布宜诺斯艾利斯和邻近城市的演变。使用官方报告的伤亡人数校准模型参数。由于无限的解决方案尊重的数据，我们显示不同的情况。在所有这些地区，繁殖率$R_0$在早期封锁后下降，但随后上升，可能是由于人口密集的贫民窟的传染增加。因此，必须通过应用控制策略来扭转$R_0$的这种增长趋势，以避免大量的感染和死亡个体。该模型提供了一个有效的过程来估计流行病参数（死亡率，传播概率，感染和潜伏期）和监测控制措施在流行病的演变。
2020-07-15 physics.soc-ph q-bio.PE
What the reproductive number R_0 can and cannot tell us about COVID-19 dynamics
生殖数R_0（及其在初始疾病出现R后的值）长期以来一直被用来预测病原体入侵的可能性，衡量流行病的潜在严重程度，并制定干预政策。然而，经常被忽视的复杂性已经在度量的使用方面产生了混乱。这一点在新出现的大流行性病毒SARS-CoV-2（COVID-19的病原体）中尤为明显。我们解决了其中的一些误解，即R如何随时间变化，随空间变化，并通过引用R的数学定义和当前流行病的例子与流行病规模相关。我们希望，更好地理解R的用途、细微差别和局限性，有助于更好地理解SARS-CoV-2背景下的流行病传播、流行病严重程度和干预措施的效果。
2020-06-25 physics.soc-ph q-bio.PE
Ending the COVID-19 epidemic in the United Kingdom
社交距离和封锁是英国政府用于遏制和控制COVID-19疫情的两种主要非药物干预措施;这些措施正在全国范围内统一应用，尽管Ferguson等人的帝国理工学院报告的结果显示，感染的影响随着年龄的增长而急剧增加。本文发展了一个变种的主力SIR模型的流行病，人口被分为若干年龄组。这使我们能够了解依赖年龄的控制措施对这一流行病的影响，并探索可能的退出战略。
2020-04-26 q-bio.PE
Management strategies in a SEIR model of COVID 19 community spread
2019年新型冠状病毒感染（COVID 19）是国际关注的持续公共卫生紧急事件。尽管（或可能因为）疫情是前所未有的全球威胁，但我们对COVID 19流行病学、传播动力学、调查工具和管理的了解仍存在重大差距。积极的一面是，目前对流行病过程的了解足以建立数学预测模型。在我们的工作中，我们调整了传统的SEIR流行病模型，以适应COVID 19在年龄异质社区中传播的特定动态分区和流行病参数。我们分析了流行病课程的管理策略（因为它们是通过美国许多州和世界各国的封锁和重新开放程序实施的）;然而，为了更清楚地说明这些想法，我们重点介绍了一个小规模大学城社区的例子，以及纽约州引入控制措施的时间轴。我们在可持续发展的背景下进行预测，并评估这些控制措施（关闭，流动限制，社交距离）的效率。
2020-11-27 physics.soc-ph q-bio.PE
Modelling provincial Covid-19 epidemic data in Italy using an adjusted time-dependent SIRD model
在本文中，我们使用意大利卫生部的官方数据，结合从地区当局每日官方新闻发布会和当地报纸网站提取的数据，开发了一个意大利省级（即欧盟NUTS-3）COVID-19感染传播的预测模型。该整合主要涉及COVID-19导致的特定死亡数据，这些数据在NUTS-3级别无法从公开的官方数据渠道获得。一个调整后的时间依赖SIRD模型被用来预测流行病的行为，特别是易感，感染，死亡和康复的人数。预测模型的性能进行评估，使用与实际数据的比较。
2020-06-02 physics.soc-ph q-bio.PE stat.AP
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
Covid-19 epidemic under the K-quarantine model: Network approach
新型冠状病毒肺炎（COVID-19）大流行正在全球范围内持续，其造成的破坏是前所未有的。为了预防，韩国采取了局部隔离策略，而不是全球封锁。这种方法不仅最大限度地减少了经济损失，而且还有效地防止了疾病的传播。在这项工作中，COVID-19在当地隔离措施下的传播是使用复杂网络上的易感-暴露-隔离-隔离模型建模的。在这种网络方法中，连接到孤立的人的链接被断开，然后在释放时恢复。这种联系的动态导致时间依赖的繁殖数量。对网络进行数值模拟，根据经验数据估计反应速率。随后再现了累计确诊病例数的时间模式。结果显示，大量无症状感染者因与感染者一起隔离而被检出。此外，还考虑了当地隔离措施和社交距离中断可能造成的后果。
2020-12-30 physics.soc-ph q-bio.PE
Temporal data series of COVID-19 epidemics in the USA, Asia and Europe suggests a selective sweep of SARS-CoV-2 Spike D614G variant
2019冠状病毒病大流行始于中国武汉，并导致2019冠状病毒病病原体SARS-CoV-2的RNA病毒在全球传播。由于其突变率、广泛的地理分布和宿主反应差异，这种冠状病毒目前正在演变成一系列具有不断增加的遗传多样性〈动〉<动>的菌株。大多数变异对疾病传播和症状严重程度显然具有中性影响。然而，在负责宿主细胞附着和侵袭的病毒刺突蛋白中，含有位置614处的氨基酸D至G的取代（D 614 G）的出现的变体被认为增加病毒感染能力。为了测试这种变异是否具有流行病学影响，在美国、亚洲和欧洲比较了614位携带D或G的SARS-CoV-2样本的时间分布。比较了流行早期和晚期的流行曲线。在早期阶段，在遏制措施尚未完全实施的情况下，病毒变体应该是不受约束的，其生长曲线可能近似于自由病毒动力学。我们的分析显示，在美国、亚洲和欧洲，D 614 G流行率与COVID-19流行曲线的增长率相关。我们的研究结果表明，选择性扫描，可以解释，至少部分地，通过这种变体的传播优势，换句话说，D 614 G的分子水平的影响有足够的人口传播动力学的影响，检测到的流行病增长曲线的速率系数的差异。
2020-06-20 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
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
Reporting delays: a widely neglected impact factor in COVID-19 forecasts
本文针对COVID-19疫情数据中的报告延迟问题，提出可检测并移除感染者、康复者和死亡者时间序列延迟的统计框架，结合SIRD模型验证其最高可降低50%预测误差。
2023-04-24 q-bio.PE
A Two-Phase Dynamic Contagion Model for COVID-19
本文基于Dassios和Zhao（2011）提出的动态传染模型，提出了一个连续时间随机强度模型，即两阶段动态传染过程（2 P-DCP），用于模拟COVID-19的流行病传染，并研究封锁效应。它允许个体传染性的随机性，而不是标准模型所假设的恒定的繁殖数。根据各区域和国家的实际数据，推导和估计了关键的流行病学量，如最终流行规模的分布和预期的流行持续时间。对每个国家或区域干预效果的相关时滞进行了估计。我们的结果与最近医学研究发现的COVID-19的潜伏期一致。我们证明，我们的模型可能成为COVID-19建模的有价值的工具。更重要的是，所提出的2 P-DCP模型也可以被用作流行病学建模的重要工具，因为这种类型的传染病模型具有非常简单的结构，足以描述区域流行病和全球流行病的演变。
2020-06-11 physics.soc-ph q-bio.PE
Assessing the Efficiency of Different Control Strategies for the Coronavirus (COVID-19) Epidemic
这项工作的目标是分析巴西冠状病毒（COVID-19）疫情控制政策的影响。这是通过考虑一个年龄结构的SEIR模型与检疫类和两种类型的控制。第一个研究了下一代方法计算的基本再生数R 0对参数的敏感性。第二个评估不同的检疫策略，通过比较他们的相对总死亡人数。
2020-04-07 q-bio.PE
A systematic review of COVID-19 epidemic models with endogenous human behaviour. What's next?
University of Pisa（比萨大学）；University of Florence（佛罗伦萨大学）；Bocconi University（博科尼大学）；University of Trieste（的里雅斯特大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；University of Waterloo（滑铁卢大学）；IRTA-Leonardo, Istituto di Ricerca sul Territorio e l’Ambiente（领土与环境研究所（IRTA-Leonardo））
本文系统综述了内源性人类行为的COVID-19传播模型，发现数据使用扩大但行为数据有限、模型结构创新不足，并提出加强数据基础设施、AI和跨学科合作等建议。
2026-06-12 physics.soc-ph 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
Inferring incubation period distribution of COVID-19 based on SEAIR Model
为了减少传统的基于调查的方法的偏差，本文提出了一种基于流行病模型的方法，利用公开报告的确诊病例数来推断COVID-19的潜伏期分布。我们构建了一个流行病模型，即SEAIR，并利用SEAIR描述的动态传播过程，估计在8个受影响的国家暴露个人每天的发病概率。基于该等估计，COVID-19的一般潜伏概率分布已被揭示。该方法可以避免传统的基于调查的方法的一些偏见。然而，由于该方法基于几何模型的性质，推断结果对参数的设置有些敏感。因此，应在对所研究的流行病有一定了解的基础上，合理运用该方法。
2020-07-22 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
Modelling Excess Mortality in Covid-19-like Epidemics
我们开发了一个基于代理的模型，以评估各种非药物干预策略在假设的COVID-19样流行病期间的累计死亡人数。我们考虑了疾病传播的本地和非本地模式。第一种模拟通过居住地附近的社会接触传播，第二种模拟通过公共场所的社会接触传播：学校、医院、机场等，很多人聚集在一起，他们生活在遥远的地理位置。将传染病传播建模为随机几何网络上的离散时间随机过程。我们使用Monte-Carlo方法进行模拟。作出以下假设。基本繁殖数为2.5，感染期约为10天。感染导致SARS的病例约占1%，除非患者接受适当的治疗，否则可能导致呼吸系统衰竭和死亡。医疗保健系统的能力由呼吸机或重症监护病床的可用性模拟。模型中的一些参数，如死亡率或每10万居民的呼吸系统呼吸机数量，被选择来模拟美国和波兰的真实值。在模拟中，我们比较“什么都不做”的策略与缓解策略的基础上，社会距离和减少社会混合。我们研究前疫苗时代的流行病，那时免疫力只能通过感染获得。该模型仅适用于再感染罕见且可以忽略的流行病。模拟结果表明，在早期阶段过于减缓流行病发展的战略，从长期来看并不能显著减少死亡总数，反而会延长流行病的持续时间。特别地，其中锁定被保持一段时间然后被完全释放的~混合策略是低效的。
2020-11-13 physics.soc-ph q-bio.PE
COVID-19 epidemic outcome predictions based on logistic fitting and estimation of its reliability
自2019年底首次爆发COVID-19疫情以来，全球所有国家的感染人数、死亡人数和康复人数均已获得数据，这些数据可用于统计分析。本文的主要兴趣是假设测试过程的方法，即数据收集方法和社会行为不会随着时间的推移而改变，logistic方程可以在多大程度上预测世界任何地区的COVID-19疫情结果。除了社会相关性之外，这项研究还有两个科学目的：我们调查简单的饱和模型是否可以描述COVID-19流行的趋势，如果可以，我们想确定在流行期间的哪个点拟合参数提供可靠的预测。我们还根据逻辑模型和2020年3月27日的可用数据对几个国家的疫情结果进行了估计。基于中国的饱和情况，我们设法找到了一些标准来判断预测的可靠性。
2020-03-31 q-bio.PE
SEIAR model with asymptomatic cohort and consequences to efficiency of quarantine government measures in COVID-19 epidemic
我们提出了一个分区SEIAR模型的流行病传播作为推广的SEIR模型。我们认为，无症状感染人群是对COVID-19疾病流行动力学理解的一个遗漏部分。我们引入并推导出基本繁殖数作为有症状和无症状队列的基本繁殖数的加权算术平均值。由于没有检测到无症状受试者，他们可以更长时间地传播疾病，这将COVID-19 $R_0$增加到约9.我们发现，欧洲各国的流行病爆发与基于COVID-19临床特征的常用参数模拟相对应，但如果考虑无症状队列，则$R_0$约为3倍。当前，学界不少声音都在提请关注无症状感染者群体。我们相信，无症状人群在COVID-19疾病的传播中起着至关重要的作用，政府在采取措施时必须理解这一点。
2020-04-06 q-bio.PE
Assess the impacts of human mobility change on COVID-19 dynamics in Arizona, U.S.: a modeling study incorporating Google Community Mobility Reports
2020年6月，美国亚利桑那州，在5月中旬取消居家令后，香港成为2019年全球最严重的冠状病毒病（COVID-19）疫情点之一。然而，随着重新实施限制的决定，COVID-19病例数量一直在下降，亚利桑那州被认为是减缓疫情的良好模式。在本文中，我们旨在研究亚利桑那州的COVID-19情况，并评估人类流动性变化的影响。我们构建了流动性整合的集合种群易感-传染-移除模型，并拟合了亚利桑那州COVID-19病例和流动性变化的公开数据集。我们的模拟表明，通过减少人员流动，高峰时间被推迟，最终疫情规模在所有三个地区都有所下降。我们的分析表明，快速有效的决策对于控制人员流动以及COVID-19疫情至关重要。在疫苗问世之前，可能需要考虑在亚利桑那州及其他地区重新实施流动限制，以应对新冠肺炎病例的增加。
2020-09-04 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
Preventing epidemics by wearing masks: An application to COVID-19
这项工作的目标是考虑广泛使用口罩作为Covid-19大流行的非药物控制策略。一个SEIR模型，将人口分为戴口罩和不戴口罩的个体。在用下一代方法计算基本再生数后，得到了判断何时仅使用口罩就能预防流行病的标准和人群中用于预防疾病的口罩使用者的临界百分比。然后将结果应用于来自美国，巴西和意大利的真实世界数据。
2020-09-08 q-bio.PE
Some numerical observations about the COVID-19 epidemic in Italy
我们给出了一些数字观察感染的SARS-CoV-2在意大利的总人数。分析是基于双曲正切公式，涉及两个参数。参数之间的多项式相关性给出了新感染的峰值时间的上限。的上限的时间变化的数值指标。在结论中讨论了结果和将分析扩展到其他国家的可能性。
2020-04-11 math.DS physics.soc-ph q-bio.PE
Contact rate epidemic control of COVID-19: an equilibrium view
我们考虑通过标准SIR分区模型控制COVID-19疫情。这种控制是由个人限制其社会互动的决定的集合引起的：当流行病正在发生时，个人可以减少他/她的接触率以避免被感染，但这种努力是以社会代价为代价的。如果每个人都降低自己的接触率，疫情消失得更快，但努力成本可能很高。形成了种群水平的均场纳什均衡，导致病毒的有效传播率较低。我们从理论上证明了平衡的存在，并进行了数值计算。然而，这种均衡选择了一个次优的解决方案相比，社会最优（一个集中的决定完全尊重所有个人），这意味着无政府状态的成本是严格的积极。我们提供了数值示例和敏感性分析，以及对SEIR房室模型的扩展，以解释COVID-19疾病相对较长的潜伏期。在所有考虑的问题中，个人和社会策略之间的分歧既发生在流行病高峰之前，由于个人的恐惧，也发生在流行病高峰之后，当一个重要的传播仍在进行中时。
2020-05-10 math.OC physics.soc-ph q-bio.PE
A new SEIR type model including quarantine effects and its application to analysis of Covid-19 pandemia in Poland in March-April 2020
接触者追踪和隔离是成熟的非药物流行病控制工具。该文件旨在阐明该等措施对COVID-19疫情的影响。引入了一个新的确定性模型（SEIRQ：易感，暴露，传染，删除，隔离）与Q室捕获个人和释放他们的延迟。我们得到了一个简单的规则定义的再生数$\mathcal{R}$的检疫参数，诊断病例的比率和传输参数。该模型应用于2020年3月至4月波兰的疫情，当时采取了社交距离措施。我们调查了3种情况对应于不同比例的诊断病例。我们的研究结果表明，根据不同的情况，接触者追踪可以预防50%到90%以上的病例。隔离的效果受到未确诊病例比例的限制。考虑到波兰在采取社会限制措施之前的传播强度，如果不采取任何社会距离措施，就不可能控制这一流行病。
2020-05-29 physics.soc-ph 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
Emerging Polynomial Growth Trends in COVID-19 Pandemic Data and Their Reconciliation with Compartment Based Models
我们研究了2020年1月至5月在119个国家爆发的COVID-19大流行的报告数据。我们观察到，个别国家活跃病例的时间序列（确诊感染总数与报告死亡和康复病例总数之差）显示出与多项式增长的高度一致性，在后期流行阶段也显示出与指数衰减相结合的多项式增长。我们的结果也制定在隔间类型的流行病数学模型。在这些模型中，表征在晚期流行病阶段观察到的状态的通用标度可以被解释为相对繁殖数$R_0$的代数衰减为$T_M/t$，其中$T_M$是常数，$t$是流行病爆发的持续时间。我们展示了我们的研究结果如何应用于改善对报告的大流行数据的预测，并估计一些流行病参数。请注意，尽管该模型显示与报告的数据很好的一致，但我们并没有对流行病的实际规模做出任何声明，因为观察到的报告数据与人口中感染总人数的关系仍然是未知的。
2020-05-14 physics.soc-ph q-bio.PE
Epidemic analysis of COVID-19 in Brazil by a generalized SEIR model
我们将应用广义SEIR模型研究巴西的COVID-19疫情。特别是，我们要解释对感染水平在很长一段时间内增加的预测，与该国人口最多的州的大规模局部疫情重叠。本文采用一个基于时间的动态SEIR模型，分析了中国疫情期间感染、康复和死亡的时间轨迹。该模型具有随时间变化的参数，并考虑非线性最小二乘法拟合。从2020年4月8日开始的模拟得出的结论是，巴西的高峰时间将在2020年7月21日，累计感染病例总数约为98.2万人;此外，预计最终死亡病例总数将达到19.2万人。此外，巴西将在7月中旬左右达到每日新增感染病例和死亡病例的高峰，每天有5万例感染病例和近6000例死亡病例。
2020-05-22 physics.soc-ph q-bio.PE
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
Second quantization approach to COVID-19 epidemic
我们展示了如何使用基于创建和湮灭算子的标准场论语言直接推导COVID-19流行病的SIR型随机模型，从中我们获得了传染（活动病例）和死亡个体平均数量的时间演化。为了捕捉封锁和社交距离的影响，我们使用了时间依赖的感染率。结果与韩国三次不同流行活动波的数据吻合良好。
2022-02-06 physics.bio-ph q-bio.PE
Epidemic analysis of COVID-19 in China by dynamical modeling
新型冠状病毒肺炎（COVID-19）在武汉的爆发引起了全球的关注。在这里，我们提出了一个广义SEIR模型来分析这种流行病。基于2020年1月20日至2月9日国家卫生健康委员会的公开数据，我们可靠地估计了关键的流行参数，并对5个不同地区的拐点和可能的结束时间进行了预测。据乐观估计，北京和上海的疫情将在两周内结束，而对于中国大部分地区，包括湖北省的大部分城市，抗疫成功将不迟于3月中旬。武汉的情况仍然非常严峻，至少根据2月15日之前的公开数据来看。我们预计它将在4月初结束。此外，通过反向推理，我们发现COVID-19在内地、湖北省和武汉的爆发都可以追溯到2019年12月底，早期的翻倍时间约为两天。
2020-06-25 q-bio.PE
Stochastic social behavior coupled to COVID-19 dynamics leads to waves, plateaus and an endemic state
众所周知，人群异质性在流行病的传播中起着重要作用。虽然社会活动中的个体差异通常被认为是持久的，即在时间上是恒定的，但在这里，我们讨论动态异质性的后果。通过将社会活动的随机动态整合到传统的流行病学模型中，我们证明了一个新的长时间尺度的出现，与经验数据广泛一致。我们的模型捕捉了现实生活中流行病（如COVID-19）的多种特征，包括长期的高原期和多波，由于社会活动的动态性质，这些特征被短暂抑制。由于流行病和社会动态之间的相互作用而存在的长时间尺度为快速流行病通常如何过渡到地方病状态提供了一个统一的画面。
2021-02-19 physics.med-ph 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
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
A Mathematical Dashboard for the Analysis of Italian COVID-19 Epidemic Data
2019冠状病毒病疫情的分析建议基于epiMOX仪表板（可于https://www.epimox.polimi.it公开查阅），该仪表板处理自二零二零年二月下旬起意大利的疫情趋势及爆发数据。我们的分析通过几个关键的流行病指标促进对现有数据的更深入解释，从而提供了对过去流行病发展及其当前趋势的直接评价。此外，我们使用基于流行病学分区模型的预测工具（名为SUIHTER）补充epiMOX仪表板，用于预测近期的流行病演变。
2021-05-24 cs.NA math.NA 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
Branching stochastic processes as models of Covid-19 epidemic development
本文的目的是描述两个新冠病毒感染动力学模型。为此，考虑了一类特殊的具有两类个体的分枝过程。这些模型旨在仅使用观察到的每日统计数据来估计感染的主要参数，并对未观察到的感染个体群体的平均值进行预测。在有关程序接纳移民成分的情况下，也考虑了类似的问题。这是一个严重的优势相比，其他更复杂的模型，其中官方报告的数据不足以估计模型参数。通过这种方式，所有国家的Covid-19疫情的具体发展也得到了考虑，因为它在专门创建的网站http://ir-statistics.net/covid-19上提供，其中每天更新所获得的结果。
2020-05-04 q-bio.PE
Perception of emergent epidemic of COVID-2019 / SARS CoV-2 on the Polish Internet
我们通过对2020年1月至2020年3月12日（2020年3月4日正式引入波兰之前和之后）互联网（Twitter，Google，YouTube，维基百科和以Event Registry为代表的电子媒体）上的数字足迹进行定量分析，研究波兰社会对COVID-2019疫情的看法。为此，我们利用数据采掘，社会网络分析，自然语言处理技术。每个被检查的互联网平台都分析了目标群体的代表性和组成。我们在疾病引入之前确定了关于COVID-2019主题的三个主要关注时间集群：所有平台上与中国和意大利相关的峰值，以及与最近抗击COVID-2019的特别法律相关的社交媒体峰值。此外，在正式确认引入的当天，人们的兴趣达到了顶峰，当波兰政府宣布通过大规模的缓解计划向疾病宣战时，人们的兴趣呈指数级增长。从社会语言学的角度来看，我们发现，在引进之前，威胁，恐惧和预防的概念和问题占主导地位。在介绍之后，关于疾病和流行病的实用概念占主导地位。我们发现，Twitter反映了波兰政治领域的结构性分裂。我们能够确定执政党，主流反对派和新教团体的明确社区和错误信息的潜在来源。我们还发现，在疾病引入后，粉碎之间的边界模糊。
2020-03-30 cs.SI physics.soc-ph q-bio.PE
Minimal epidemic model considering external infected injection and governmental quarantine policies: Application to COVID-19 pandemic
由于现代交通网络（飞机，游轮等）某一国家或城市的流行病可能是由外来感染者的到来引发的。为了控制疫情的发展，政府通常采取事后检疫措施。我们制定了一个最小的流行病演化模型，考虑到这些组件。通过考虑每个阶段中不同的复杂性参数，以单独的方式对隔离策略的前一阶段和后一阶段的演化进行建模。该模型应用于不同国家的COVID-19数据。估计的感染高峰时间发生和流行病的饱和值，以及可能的检疫后的情况下进行了分析的基础上的模型，报告的数据，和人口的比例，采用检疫政策。
2020-05-05 physics.bio-ph q-bio.PE
Mobile phone location data reveal the effect and geographic variation of social distancing on the spread of the COVID-19 epidemic
SARS-CoV-2和冠状病毒传染病（COVID-19）的出现已成为一种流行病。社交（物理）距离是降低SARS-COV-2传播率的关键非药物控制措施，但需要高水平的依从性。利用笛卡尔实验室和SafeGraph提供的大规模匿名手机定位数据得出的每日出行距离和居家时间，我们量化了美国遵守社交距离规定的程度及其对COVID-19病例增长的影响。COVID-19增长率与出行距离衰减率和居家停留时间变化率的相关性分别为-0.586（95%CI：-0.742 ~ -0.370）和0.526（95%CI：0.293 ~ 0.700）。实施社会距离命令后，国家特异性病例总数倍增时间增加了1.04 ~ 6.86天，增加了3.66 ~ 30.29天，与流行病的机械预测模型一致。社交距离规定在得到遵守时可减少COVID-19的传播。
2020-04-23 cs.SI physics.soc-ph q-bio.PE
Public Health Policy: COVID-19 Epidemic and SEIR Model with Asymptomatic Viral Carriers
我们基于SEIRA模型（包括无症状传播的SEIR模型）衡量不同公共卫生法规对COVID-19传播的影响。累计确诊病例数、累计死亡数与无症状率呈非线性正相关。基于该模型，我们分析了三种公共卫生政策对COVID-19的抑制作用，即实验室确诊病例的隔离、一般个人防护和隔离（封锁）。模拟的结论是，隔离显示有限的影响，无症状的病毒携带者。一般个人防护和隔离在参与人数相同时，效果相似。当无症状、轻度症状和被忽视的患者的总比例为40%时，仅依靠隔离政策可能会导致额外75%的感染，而一般的个人防护或隔离的效率为80%。最后，我们提供了在空中传播的流行病（COVID-19）之前和期间进行公共卫生干预的七项建议。
2020-04-14 q-bio.PE
