Refining Epidemiological Forecasts with Simple Scoring Rules
来自传染病模型的估计构成了英国应对COVID-19大流行所用科学证据的重要部分。这些估计值在偏差和可变性方面可能会有惊人的差异。流行病学预测应该与最终实现的观察结果相一致。我们使用简单的评分规则，通过调整其平滑度超参数来改进一种新的统计模型对多个国家COVID-19监测数据的预测。
2022-03-14 stat.AP
On automatic calibration of the SIRD epidemiological model for COVID-19 data in Poland
我们提出了一种新的方法来估计一个修改后的SIRD模型（易感，感染，死亡和死亡的个人的缩写）的流行病学参数，并进行短期预测SARS-CoV-2病毒的传播。我们主要关注死亡人数的预测。对波兰报告的数据进行了测试。对于一些短的时间间隔，我们进行了数值试验，研究所提出的方法中的参数估计的稳定性。数值试验证实了短期预报（最长2周）的有效性和方法的稳定性。为了提高其性能（即计算时间），在计算中使用GPU架构。
2022-04-26 stat.ME stat.ML
Bridging the COVID-19 Data and the Epidemiological Model using Time Varying Parameter SIRD Model
本文扩展了流行病学的经典模型SIRD模型，以允许时变参数实时测量COVID-19大流行的态势。模型参数的时间变化是使用为与大流行相关的典型每日计数数据设计的广义自回归得分建模结构来捕获的。由此产生的规范允许一个灵活而简约的模型结构，具有非常低的计算成本。在大流行病爆发之初，当数据稀缺且不确定性很大时，这一点尤为重要。全样本结果显示，美国、巴西及俄罗斯等国家仍未能控制疫情，其中美国表现最差。此外，伊朗和韩国可能会经历第二波大流行。一项实时测试显示，拟议架构领先于使用滚动窗口的竞争对手，及时准确地提供有关疫情当前态势的信息。这反过来又转化为对活跃病例的准确短期预测。我们进一步修改模型，以考虑未报告的情况。结果表明，这些情况下的存在对估计结果的影响逐渐减少，接近年底的样本测试的数量增加。
2021-02-10 econ.EM q-bio.PE stat.AP
Forecasting confirmed cases of the COVID-19 pandemic with a migration-based epidemiological model
自2020年首几个月开始侵入公众日常生活以来，史无前例的2019冠状病毒病（COVID-19）大流行仍是全球范围内对人类生命的威胁。预测确诊病例的规模对于国家和社区制定适当的防控政策以有效遏制COVID-19的传播至关重要。与2003年SARS疫情和2009年全球H1N1流感大流行不同，COVID-19在其传染性和恢复性方面具有独特的流行病学特征。这促使我们制定一个新的传染病动态模型，用于预测人类流动网络中的COVID-19大流行，命名为SaucIR模型，因为新的房室模型扩展了基准SIR模型，将感染状态下的人群分为无症状、病理感染但未确诊和确诊。此外，我们采用人口流动的动态模型在模型中，以便空间效应可以有效地纳入。我们预测了2020年2月底至5月初期间，中国大陆部分省份和其他经历严重感染的国家的累计确诊病例的传播。将大流行的地理传播纳入其中的新颖性导致了与已公布的确诊病例报告惊人的良好一致性。数值分析验证了我们提出的SaucIR模型的高度可预测性相比，现有的相似性。所提出的预测SaucIR模型在Python中实现。Dash还开发了一个基于网络的应用程序（正在建设中）。
2020-12-01 physics.soc-ph stat.AP
Estimation of time-varying reproduction numbers underlying epidemiological processes: a new statistical tool for the COVID-19 pandemic
新型冠状病毒大流行已迅速演变成一场前所未有的危机。无传染性移除（SIR）模型及其变体已被用于对大流行进行建模。然而，在经典模型中的时间无关的参数可能无法捕捉到动态的传播和清除过程，由病毒遏制策略采取的流行病的各个阶段。此外，很少有模型能够解释报告案例中可能存在的不准确之处。我们提出了一个泊松模型与时间相关的传输和清除率，以考虑可能的随机错误报告和估计时间相关的疾病繁殖数，这可能是用来评估病毒控制策略的有效性。我们应用我们的方法研究了几个受影响严重的国家的大流行，并分析和预测了冠状病毒的传播。我们已经开发了一个互动的网络应用程序，以方便读者使用我们的方法。
2020-07-14 q-bio.PE stat.CO stat.ME
Identification of COVID-19 mortality patterns in Brazil by a functional QR decomposition analysis
应用线性代数的子集选择问题来识别巴西境内COVID-19演变的独立模式。数据包括一组死亡率曲线在巴西各州。最独立的曲线的一个子集被选择通过使用QR矩阵分解技术与列旋转的功能版本。所选子集接下来用作表示滤除任何数据冗余的剩余曲线的基础。对于每个独立的曲线，定义了相关的流行病学影响区域。结果表明，两个主要的独立曲线具有相似的双峰模式和模式之间的50天的移动。接下来确定了两个主要的流行区：一个包括从中部和东北部各州到南部的大部分国家，另一个包括西北部的亚马逊地区。
2022-03-18 q-bio.PE stat.AP
Clustering of countries based on the associated social contact patterns in epidemiological modelling
数学模型已用于了解2019冠状病毒病（COVID-19）等传染病的传播模式。模型的传播部分可以通过引入人口接触矩阵以年龄依赖的方式建模，该矩阵描述了年龄组之间的接触率。由于社会联系模式因国家而异，我们可以使用相应的联系矩阵对国家进行比较和分组。在本文中，我们提出了一个框架，聚类国家的接触矩阵的基础上，一个潜在的流行病模型。由于管道是通用和模块化的，我们展示了它在Röst et.该研究提示了在大流行情况下，当只能采取非药物干预措施时，哪些国家可以进行比较。
2022-11-08 cs.LG physics.soc-ph q-bio.PE
An improved Epidemiological-Unscented Kalman Filter (Hybrid SEIHCRDV-UKF) model for the prediction of COVID-19. Application on real-time data
自2019年12月在武汉市出现以来，COVID-19的流行一直是21世纪迄今为止最严重的健康挑战，每天都涉及国家卫生系统。然而，大多数旨在描述流行病动态的拟议数学方法依赖于确定性模型，这些模型无法反映其传播的真实性质。在本文中，我们提出了一种SEIHCRDV模型-经典SIR房室模型的扩展/改进-它还考虑了暴露，住院，入住重症监护病房（ICU），死亡和接种疫苗的情况下，结合无味卡尔曼滤波器（UKF），提供了一个动态估计的时间依赖系统的参数。随机方法被认为是必要的，因为观测和系统方程的特点是不确定性。显然，这种新的考虑有助于更有效地研究各种流行病。该模型的可靠性在法国265天的COVID-19每日记录中进行了检查。从2021年1月开始观察到两次主要的感染浪潮，这标志着欧洲开始接种疫苗，根据所产生的NRMSE值，提供了相当令人鼓舞的预测性能。重点证明了SEIHCRDV模型的非负性，得到了一个有代表性的基本再生数R 0，并根据R 0的估计公式证明了疾病平衡点的存在性和稳定性。该模型不仅在预测能力上优于确定性方法，而且优于采用卡尔曼滤波器的最先进的随机模型。
2022-11-29 math.OC q-bio.PE stat.AP
An Epidemiological Modelling Approach for Covid19 via Data Assimilation
Data Science Institute（数据科学研究所）；Imperial College London（伦敦帝国理工学院）
2019-nCov的全球大流行需要评估政策干预措施，以减轻全球隔离措施的未来社会和经济成本。我们提出了一个流行病学模型的预测和政策评估，采用新的数据，通过变分数据同化的实时。我们分析并讨论了中国、美国和意大利的感染率。特别是，我们开发了一个自定义的房室SIR模型来拟合中国城市的流行病相关的变量，命名为SITR模型。我们比较和讨论模型的结果进行更新，新的观察变得可用。一个混合数据同化方法，使结果对初始条件的鲁棒性。我们使用该模型对感染数量以及疾病传播率或恢复率等参数进行推断。该模型的参数化是简约和可扩展的，允许纳入其他数据和参数的利益。这允许可扩展性和模型扩展到其他位置或适应新的数据源。
2020-10-29 cs.LG stat.AP stat.ME
Simulation-free estimation of an individual-based SEIR model for evaluating nonpharmaceutical interventions with an application to COVID-19 in Iowa
持续的COVID-19大流行压倒性地表明，需要准确评估实施新的或改变现有非药物干预措施的影响。由于无法通过传统的实验手段对这些在社会层面上实施的干预措施进行评估，公共卫生官员和其他决策者必须依靠统计和数学流行病学模型。非药物干预通常集中在人口成员之间的接触，但大多数流行病学模型依赖于均匀混合，这已多次被证明是一个不切实际的接触模式的代表。另一种方法是基于个体的模型（IBM），但这些方法通常是时间密集型的，并且实现起来计算成本高，需要高度的专业知识和计算资源。决策者往往需要在很短的时间内利用有限的资源了解可能的公共政策决定的影响。本文提出了一种估计算法的IBM设计，以评估非药物干预。通过利用递归关系，我们的方法可以快速计算预期的流行病学结果，即使是基于任何任意接触网络的大人群。我们利用我们的方法来评估放松目前的社交距离措施在美国爱荷华州，在不同的时间和不同程度的影响。\verb！R！补充材料中提供了我们方法的代码，从而允许其他人将我们的方法用于其他区域。
2020-11-02 q-bio.PE stat.ME
Analysis of Virus Propagation: A Transition Model Representation of Stochastic Epidemiological Models
关于COVID-19传播的越来越多的文献依赖于各种动态SIR类型模型（易感-感染-传播），这些模型产生依赖于模型的结果。为了透明和易于比较的结果，我们介绍了一个共同的表示SIR型随机流行病模型。这种表示是一个离散时间转换模型，它允许我们对流行病学模型的状态（隔间）和它们的解释的数量进行分类。此外，转移模型消除了本文指出的确定性连续时间流行病模型的一些局限性。我们还表明，所有的SIR型模型有一个非线性（伪）状态空间表示，很容易从扩展卡尔曼滤波估计。
2020-06-18 physics.soc-ph q-bio.PE stat.ME
Statistically-based methodology for revealing real contagion trends and correcting delay-induced errors in the assessment of COVID-19 pandemic
2019冠状病毒病大流行在比我们所能理解的要短得多的时间尺度上重塑了我们的世界。SARS-CoV-2的特殊性，例如其在表面的持久性以及缺乏针对COVID-19的治愈性治疗或疫苗，促使当局采取限制性政策来控制其传播。由于在这一全球突发事件中作出的大多数决定都是由数据驱动的，因此数据的质量对决策行为体来说是一个关键变量，因此应该仔细加以管理。在这项工作中，我们分析了通常报告的流行病学变量和用于诊断的常用测试中的错误来源，以及它们对我们理解COVID-19传播动态的影响。我们讨论了新病例报告中存在的不同延迟，这是由病毒的潜伏时间和检测-诊断时间间隔以及与用于诊断COVID-19的检测的灵敏度/特异性相关的其他误差来源引起的。使用一种基于概率的算法，我们对病例进行时间重新分类，以避免延迟引起的错误，建立以传染有效发生的那一天为中心的新的流行病学曲线。我们还在统计学上增强了在没有直接检测的情况下出院/康复临床标准的稳健性，这通常是非第一世界国家的情况，在这些国家，有限的检测能力完全用于评价新病例。最后，我们应用我们的方法，通过有效生殖数$R_t$评估智利大流行的演变，确定数据误导政府行动的不同时刻。在这样做的过程中，我们的目标是提高公众对流行病学建模和预测需要适当的数据报告和处理协议的认识。
2020-06-24 q-bio.PE stat.AP
Inference in epidemiological agent-based models using ensemble-based data assimilation
为了代表复杂的个人相互作用的疾病传播的动态数据通知，耦合的流行病学代理为基础的模型与集合卡尔曼滤波器。在以前的工作中，已经研究了疾病传播的集成数据同化系统的统计推断。所使用的模型大多是通过常微分方程表示平均场演化的房室模型。这些技术允许从数据中监测感染的传播，并估计流行病学感兴趣的几个参数。然而，有许多重要的功能，这是基于个人的相互作用，不能表示在平均场方程，如社会网络和泡沫，接触跟踪，隔离个人的风险，和社会网络为基础的距离策略。基于代理的模型可以在个人层面上描述联系网络，包括年龄，邻里，家庭，工作场所，学校，娱乐场所等人口统计属性。然而，这些模型有几个未知的参数，因此难以估计。在这项工作中，我们提出了使用集成为基础的数据同化技术来校准基于代理的模型，使用日常流行病学数据。这就提出了一个挑战，即必须调整代理种群以纳入粗粒度数据提供的信息。要做到这一点，两个随机策略，以纠正模型的预测。集合卡尔曼滤波与扰动观测用于联合估计的状态和一些关键的流行病学参数。我们使用为COVID-19设计的基于代理的模型进行实验，并对阿根廷布宜诺斯艾利斯自治市的合成数据和COVID-19每日报告进行评估。
2021-10-29 stat.AP stat.CO
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
A Note on Early Epidemiological Analysis of Coronavirus Disease 2019 Outbreak using Crowdsourced Data
众包数据可以证明在监测和控制传染病传播方面至关重要。Sun，Chen和Viboud（2020）最近的论文很重要，因为它有助于了解流行病学和在大多数流行病特征仍然未知的时期COVID-19的传播。然而，从统计角度来看，众包数据的使用引起了一些问题，这些问题有可能使结果无效，并有可能使估计和假设检验产生偏差。虽然Sun，Chen和Viboud（2020）的工作必须受到赞扬，但考虑到该主题对全球健康安全的重要性，在本文中，我们认为重要的是要注意统计偏差的可能来源的存在，并指出可能的解决方案
2020-03-13 stat.AP
Nowcasting COVID-19 incidence indicators during the Italian first outbreak
提出了一种新的参数回归模型来拟合流行病期间收集的发病率数据。该提案的动机是对意大利首次爆发COVID-19期间的主要流行病学指标进行实时监测和短期预测。提供准确的短期预测，包括外源或外部变量的潜在影响;这确保准确预测流行病的重要特征（例如，高峰时间和高度），以便随着时间的推移更好地分配卫生资源。参数估计是在极大似然框架下进行的。提供了重现方法和复制结果所需的所有计算细节。
2020-10-23 stat.AP
From predictions to prescriptions: A data-driven response to COVID-19
COVID-19疫情在全球范围内带来前所未有的挑战。紧张的医疗保健提供者每天都要在患者分诊、治疗和护理管理方面做出艰难的决定。政策制定者采取了社交距离措施来减缓疾病，但付出了高昂的经济代价。我们设计分析工具来支持这些决策并抗击这一流行病。具体而言，我们提出了一种全面的数据驱动方法，以了解COVID-19的临床特征，预测其死亡率，预测其演变，并最终减轻其影响。通过利用队列级临床数据、患者级医院数据和普查级流行病学数据，我们开发了一种综合的四步方法，将描述性、预测性和规范性分析相结合。首先，我们将数百项临床研究汇总到最全面的COVID-19数据库中，以描绘该疾病的新宏观图景。其次，我们建立个性化的计算器来预测感染风险和死亡率，作为人口统计学，症状，合并症和实验室值的函数。第三，我们开发了一种新的流行病学模型，以预测大流行的传播，并为社交距离政策提供信息。第四，我们提出了一个优化模型来重新分配制冷剂和缓解短缺。我们的研究结果已被几家医院用于临床水平，以分流患者，指导护理管理，规划ICU容量，并重新分配呼吸机。在政策层面，他们目前正在支持一家大型机构的安全复工政策和一家大型制药公司的公平疫苗分配规划，并已被纳入美国疾病控制中心的大流行预测。
2020-06-30 math.OC q-bio.PE stat.AP
An unbiased spatiotemporal risk model for COVID-19 with epidemiologically meaningful dynamics (A systematic framework for spatiotemporal modelling of COVID-19 disease)
COVID-19等传染病的时空建模涉及使用各种流行病学指标，如区域病例比例或区域阳性率。虽然观察它们随时间的变化对估计区域疾病负担至关重要，但这些措施的动态特性以及相互关系没有得到系统的解释。在这里，我们提供了一个时空框架组成的六个常用的和新构建的流行病学指标，并进行案例研究评估。我们引入了一个改进的风险模型，既不受人口规模差异的影响，也不受检验的空间异质性的影响。特别是，所提出的方法可用于无偏地识别COVID-19风险升高的时间段，而对人群或测试的空间异质性不敏感。我们的研究结果还提供了有关区域优先级的测试和潜在的同步流行病的后果地区之间的见解。
2020-12-11 q-bio.PE q-bio.QM
A Novel Framework for Modeling Quarantinable Disease Transmission
本文提出CURNDS模型，基于接触水平划分仓室并引入自适应幂律与动态传播率，准确估计未检出感染与未记录死亡，揭示了COVID-19的真实影响与传播动态。
2025-03-06 stat.AP stat.ME
Planning as Inference in Epidemiological Models
University of British Columbia（不列颠哥伦比亚大学）；MILA（米拉研究所）；CIFAR（加拿大高等研究院）；University of Oxford（牛津大学）；Epistemix Inc.（Epistemix公司）
在这项工作中，我们演示了如何通过在现有的流行病学模型中进行推理来自动化传染病控制政策制定过程的一部分。进行的推理任务包括通过直接决策选择计算可控的后验分布，模拟模型参数产生可接受的疾病进展结果。除其他外，我们说明了使用概率编程语言，在现有的模拟器自动推理。无论是这个工具的自动推理的全部功能，也不是它的规划效用是广泛传播的，在目前的时间。及时了解这些基于模拟的模型和推理自动化工具如何应用于支持政策制定，可以减少对经济的破坏性政策处方，特别是在当前的COVID-19大流行期间。
2021-09-15 cs.LG q-bio.PE stat.ML
Spatial analysis of COVID-19 and socio-economic factors in Sri Lanka
全球COVID-19疫情的蔓延对斯里兰卡的影响与其对全球其他国家的影响相似。斯里兰卡政府采取多项预防措施以遏止疫情蔓延。为了帮助政策制定者采取这些预防措施，我们提出了一种新的地区明智的聚类为基础的方法。使用斯里兰卡流行病学部门免费提供的数据，根据COVID-19数据和各区的人口数据进行了聚类分析。本研究选用K-均值聚类和谱聚类两种聚类方法。从多个地区层面的社会经济因素中，人口、人口密度、每月开支及教育水平被识别为与COVID-19集群表现出高度相似性的人口变量。这一做法将对斯里兰卡政府有关决策方提出的预防措施产生积极影响。
2021-08-12 stat.AP
Temporal and Spatial Elements in Interactive Epidemiological Maps
自流行病学和公共卫生学科诞生以来，地图就在这些学科中发挥了重要作用。随着地理信息系统和先进的信息可视化技术的出现，交互式地图已成为分析疾病发病率和流行率的地理模式以及传播公共卫生知识的重要工具，COVID-19大流行期间基于网络的地图和疾病监测"仪表板“的激增引人注目地说明了这一点。虽然这种交互式地图在支持静态空间分析方面通常是有效的，但支持空间流行病学可视化和涉及分布式和动态数据源的建模，以及支持分析疾病传播的时间方面，已证明更具挑战性。将这两个方面结合起来，对于互动地图在流行病学和公共卫生工作中的应用至关重要。在本文中，我们讨论了这些问题的背景下，支持疾病监测在偏远地区，包括分布式数据收集，模拟和分析工具，并使多学科合作。
2022-06-13 cs.HC q-bio.PE stat.ME
COVID-19: Optimal Design of Serosurveys for Disease Burden Estimation
我们提供了一种方法，通过这种方法，流行病学家可以得出一个最佳的调查设计，其目标是估计人口中的疾病负担。对于血清调查与给定的预算$C$卢比，一组指定的测试成本，灵敏度和特异性，我们显示存在的最佳设计在四个不同的情况下，包括众所周知的C-最优设计。数值例子说明了结果的正确性。我们的结果适用于广泛的流行病学调查的假设下，估计的费舍尔信息矩阵满足一个统一的正定标准。
2020-12-22 math.OC stat.AP
Preventing COVID-19 Fatalities: State versus Federal Policies
当联邦政府不执行遏制政策，而是允许各州实施自己的政策时，COVID-19的死亡人数会很大吗？我们回答这个问题，通过开发一个随机扩展的SIRD流行病学模型的一个国家组成的多个国家。我们的模式允许州际流动。我们考虑了三项政策：口罩强制令、居家令和州际旅行禁令。我们将我们的模型与美国各州的每日COVID-19死亡人数相匹配，并利用我们的估计来产生各种政策反事实。虽然部分州实施的限制抑制了大量的病毒死亡，但我们发现，如果联邦政府早在一些最早的州执行联邦命令，美国超过三分之二的COVID-19死亡病例本可以在2020年11月下旬之前得到预防。我们的研究结果量化了联邦政府为遏制大流行而采取的早期行动的好处。
2020-12-14 econ.GN q-fin.EC stat.AP
Ensemble Machine Learning Methods for Modeling COVID19 Deaths
California Institute of Technology（加州理工学院）
使用机器学习和流行病学方法的混合，我们提出了一种新的数据驱动的方法来预测美国县级COVID-19死亡人数。该模型更完整地描述了每日死亡分布，输出分位数估计值而不是平均死亡人数，其中模型的目标是最大限度地减少《纽约时报》冠状病毒县数据集报告的死亡人数的弹球损失。由此产生的分位数估计准确预测死亡人数在个别县一级的可变长度的预测期，该方法概括以及在不同的预测期长度。我们在加州理工学院举办的建模竞赛中从50多个团队中脱颖而出，我们的总体数据与最好的COVID-19建模系统（均方根误差）相比具有竞争力。
2020-10-04 cs.LG stat.ML
Accurately summarizing an outbreak using epidemiological models takes time
本文通过新度量方法研究经典SIR模型八个常用统计量的实际可识别性，发现基本再生数和最终暴发规模识别性较差，而峰值强度、峰值时间和初始增长率识别性较好，且实际可识别性在缓慢增长或较轻疫情中问题尤为突出。
2023-01-20 math.DS physics.data-an physics.soc-ph
Computation of COVID-19 epidemiological data in Hungary using dynamic model inversion
在本文中，我们仅使用住院患者的每日人数，并应用系统和控制理论的众所周知的技术来估计匈牙利COVID-19大流行病的流行病学数据。我们使用以前发表的和验证的房室模型的描述流行病的传播。利用模型的一个重要子系统是线性的这一事实，我们首先计算时间上的潜伏感染人数。然后可以估计其他车厢的人数。从这些数据中，可以通过递归最小二乘估计来跟踪依赖于时间的再生数。使用现有的数据从文献中得到的结果的可信度进行了讨论。
2021-05-07 math.DS q-bio.PE q-bio.QM
Accounting for spatial confounding in epidemiological studies with individual-level exposures: An exposure-penalized spline approach
在存在未测量的空间混杂的情况下，空间模型实际上可能会增加（而不是减少）偏差，导致在实践中如何应用它们的不确定性。我们通过模拟和应用于大数据电子健康记录研究来评估空间建模方法。而纯粹空间暴露的偏倚风险很高（例如，建筑环境），我们发现空间聚集的个体水平暴露的增加偏差的可能性非常有限（例如，吸烟状态）。我们还提出了一种新的惩罚性样条方法，选择空间平滑的程度来解释暴露的空间变异性。这种方法似乎有希望有效地减少空间混淆偏倚。
2022-04-13 stat.ME
Modeling COVID-19 Transmission using IDSIM, an Epidemiological-Modelling Desktop App with Multi-Level Immunization Capabilities
2019冠状病毒病大流行对加拿大安大略省的当地公共卫生单位提出了前所未有的要求，其中之一是需要内部流行病学建模能力。为了满足这一需求，安大略理工大学和达勒姆地区卫生局开发了一个本地Windows桌面应用程序，用于对传染病进行流行病学建模。该应用程序是一个多层次分区流行病学模型的实现，可以适应多种病毒变体和疫苗接种水平，以及公共卫生措施，如物理距离，隔离后的接触者追踪，以及隔离后的检测。本文介绍了使用开发的应用程序获得的流行病学模型和流行病学模拟结果。模拟研究了不同因素对达勒姆地区COVID-19传播的影响，包括疫苗接种覆盖率，疫苗有效性，疫苗诱导免疫力减弱，Omicron变体的出现以及COVID-19加强疫苗在减少感染和严重病例数量方面的效果。结果表明，对于Delta变体，除了疫苗诱导的免疫力之外，天然免疫力对于实现群体免疫力是必要的，并且疫苗诱导的免疫力的减弱延长了达到群体免疫力所需的时间。在没有额外公共卫生措施的情况下，预计Omicron变异体引发的疫情将对公共卫生构成重大挑战，预计感染将在大约两到三个月内达到高峰，具体取决于加强剂量的施用率。
2022-03-05 q-bio.PE
Inference of COVID-19 epidemiological distributions from Brazilian hospital data
了解COVID-19的流行病学分布，例如从患者入院到死亡的时间，与有效的初级和二级护理规划直接相关，此外，还与大流行的数学模型直接相关。我们使用来自巴西Sistema de Informação de Vigilância Epidemiológica da Gripe数据库的大型数据集（$N=21{,}000-157{,}000$）确定因COVID-19住院的患者的流行病学分布。一个联合贝叶斯次国家模型与部分汇集用于同时描述巴西的26个州和一个联邦区，并显示出显着的变化，平均发病至死亡的时间，在11.2-17.8天之间的范围在不同的国家，平均为15.2天的巴西。我们发现强有力的证据支持特定的概率密度函数的选择：例如，伽玛分布给出了发病至死亡的最佳拟合和发病至入院的广义对数正态分布。我们的研究结果表明，流行病学分布具有相当大的地理差异，并提供了对低收入和中等收入环境中这些分布的首次估计。在国家以下一级，发现COVID-19结果时间的变化与贫困、剥夺和隔离程度相关，而平均年龄、财富和城市化程度的相关性较弱。
2020-08-24 q-bio.PE
Efficient Bayesian inference of fully stochastic epidemiological models with applications to COVID-19
流行病学预测受到基本流行病学过程和获取数据的监测过程的不确定性的困扰。我们提出了一个贝叶斯推断方法，量化这些不确定性，流行病（可能）非平稳，连续时间，马尔可夫人口过程建模。该方法的效率来自功能中心极限定理近似的可能性，适用于大人口。我们根据死亡人数的年龄结构数据，分析了英国COVID-19大流行的早期阶段，展示了该方法。这包括最大后验估计、后验的MCMC采样、模型证据的计算以及通过费舍尔信息矩阵确定参数灵敏度。我们的方法在PyRoss中实现，PyRoss是一个用于分析流行病学分区模型的开源平台。
2021-08-13 q-bio.PE stat.ME
Epidemiological and public health requirements for COVID-19 contact tracing apps and their evaluation
数字接触追踪是一项公共卫生干预措施。它应该与当地的卫生政策相结合，向暴露的个人提供快速和准确的通知，并鼓励高应用程序的使用和遵守隔离。对基于应用程序的接触者追踪的有效性进行实时监测和评估是改进和获得公众信任的关键。
2021-02-10 cs.CY cs.SI physics.soc-ph
Nonlinear dynamic analysis of an epidemiological model for COVID-19 including public behavior and government action
本文关注的是对目前肆虐地球的COVID-19大流行的非线性建模和分析。有两个目标：以达到一个适当的模型，忠实地捕捉收集到的数据，并以此为基础，探索非线性行为。我们使用一个非线性SEIR（易感，暴露，传染性和删除）传输模型，增加了行为和政府政策的动态。我们开发了一种遗传算法技术，采用韩国的COVID 19数据来识别关键模型参数。分析了系统的稳定性、分岔和动力学行为。参数分析揭示了持续流行病均衡发生的条件。这项工作指出了非线性动态分析在流行病建模中的价值，并展示了社会和政府行为对疾病动态的巨大影响。
2020-10-14 physics.soc-ph q-bio.PE
A COVID-19 Epidemiological Model for Community and Policy Maker Use
在MATLAB/GNU Octave中开发并实施了COVID-19流行病学模型，供公共卫生从业者、政策制定者和公众使用。该模型区分了疾病的四个阶段：感染、患病、重病和好转。根据对疾病传播的观察，对模型进行了初步参数化。该模型与1.5%的死亡率一致。该模型的初步模拟表明，“群体免疫”和“曲线平坦化”等概念在这种病毒的背景下具有很大的误导性。基于这些概念的公共政策不足以保护人民。只有将病毒的R 0降低到1以下，才是将COVID-19的死亡负担维持在季节性流感的正常范围内的有效策略。由于2020年2月底至3月初，该模型估计的R 0值在中国以外的全球范围内为2. 82，在西方世界为3. 83，这意味着需要有效性超过65%（全球）或75%（西方世界）的社交距离才能成功对抗病毒。
2020-03-22 q-bio.PE
Epidemiological study of novel coronavirus (COVID-19)
我们报告了一些新型冠状病毒（COVID-19）高度感染国家的统计分析。用Logistic方程、Weibull方程和Hill方程等多种增长模型对累计感染数据进行拟合，得到前10个高感染国家的幂指数。新感染的数据符合高斯分布，对于感染曲线似乎饱和的国家，峰值在约40天。不同国家受感染者的生长动力学相似，这为采取适当预防措施以尽量减少人类损害提供了第一手指导。
2020-03-25 physics.app-ph physics.bio-ph physics.med-ph
COVID-19 and the difficulty of inferring epidemiological parameters from clinical data
了解感染死亡率对于循证流行病管理至关重要：对于立即规划;对于平衡由于管理后果而节省的生命年与损失的生命年;以及对于评估与默认愿意为流行病损失的生命年支付比其他疾病更多的生命年相关的伦理问题。在此背景下，Verity等人（2020，Lancet Infections Diseases）快速收集了病例数据，并使用统计建模来推断COVID-19的IFR。我们试图对他们的方法进行深入的统计审查，以确定数据在多大程度上足以提供IFR的信息，从而比建模假设发挥更大的作用，并试图确定那些似乎发挥关键作用的假设。鉴于其他数据来源的困难，我们提供了一个粗略的替代分析的基础上，钻石公主邮轮数据和病例数据从中国，并认为，鉴于数据问题，临床数据的建模，以获得IFR只能是一个权宜之计。所需要的是通过聚合酶链反应和/或对高危人群的随机样本进行抗体检测来近乎直接地测量流行病的规模。
2020-05-05 q-bio.PE q-bio.QM
Coronavirus Covid-19 spreading in Italy: optimizing an epidemiological model with dynamic social distancing through Differential Evolution
本文的目的在于应用最近的流行病学模型，即SEIR与社会距离（SEIR-SD），通过定义随时间变化的社会距离函数，在此扩展，以评估意大利及其两个最重要地区，即，伦巴第和坎帕尼亚。为了有效地使用该模型，必须找到其参数的最合适的值。SEIR-SD模型参数的估计通过使用差分进化，一种启发式优化技术来进行。通过这种方式，我们能够对上述三种情况中的每一种情况评估从今天到病毒传播结束的每日感染病例数，这一数字将达到最高峰的那一天，以及感染病例将非常接近于零的那一天。
2020-04-04 cs.SI physics.soc-ph q-bio.PE
Modeling the transmission of new coronavirus in São Paulo State, Brazil -- Assessing epidemiological impacts of isolating young and elder persons
我们开发了一个数学模型来描述新型冠状病毒在巴西圣保罗州的传播。该模型将社区划分为由年轻人和老年人组成的亚群，以考虑到患有严重CoViD-19的老年人的死亡风险较高。根据在圣保罗州收集的数据，我们估计了传播率和额外死亡率，并由此计算出基本生殖数R 0。根据估计的参数，CoViD-19导致的死亡估计值比文献中发现的低三倍。考虑到隔离作为一种控制机制，我们改变了年轻人和老年人的隔离率，以评估其流行病学影响。流行病学情景主要侧重于评估在人群中引入隔离时严重CoViD-19病例和死亡人数。
2020-04-12 q-bio.PE
An epidemiological compartmental model with automated parameter estimation and forecasting of the spread of COVID-19 with analysis of data from Germany and Brazil
在这项工作中，我们采用流行病学SIR模型来研究COVID-19在德国和巴西（全国范围内，帕拉伊巴州和Campina Grande市）的传播演变。我们证明了模型动力学的适定性和对参数的连续依赖性。我们还提出了一个简单的概率方法的演变的活跃的情况下，有助于自动估计的流行病学模型的参数。我们获得了统计估计的活动情况下的概率方法和确认的情况下的数据。从这个估计的时间序列，我们得到了一个时间依赖的传染率，这反映了较低或较高的遵守社会距离的参与人群。通过分析每日死亡数据，我们获得了每日死亡率和恢复率。然后，我们集成的运动方程的模型，使用这些时间相关的参数。我们验证我们的流行病学模型，通过拟合官方数据的确认，康复，死亡和活跃的病例，由于大流行的理论预测。我们用这种方法得到了很好的数据拟合。这里开发的自动化程序基本上可以用于任何人群，只需最少的额外工作。最后，我们还提出并验证了一个预测方法的基础上马尔可夫链的流行病学数据的演变长达两周。
2020-11-11 physics.soc-ph q-bio.PE
Global analysis of the COVID-19 pandemic using simple epidemiological models
在这项工作中使用了几个分析模型来描述冠状病毒（COVID-19）引起的死亡病例的演变。死亡或“D”模型是SIR（易感染-感染-恢复）模型的简化版本，该模型假设随着时间的推移没有恢复，并允许解析求解传播动力学方程。D模型可以扩展到描述不同的感染焦点，这可以解释最初的大流行（D1），封锁（D2）和其他影响（Dn）。2019冠状病毒病疫情在多个国家（中国、西班牙、意大利、法国、英国、伊朗、美国及德国）的演变显示出与D模型趋势一致的类似行为，其特征是死亡病例迅速增加，随后缓慢下降，这受到封锁效应的早期和效率的影响。这些结果与使用扩展SIR模型的更精确计算结果一致，该模型具有参数化解决方案和更复杂的Monte Carlo网格模拟，预测了类似的趋势，并表明了具有通用参数的流行病的共同演变。
2020-05-14 physics.soc-ph q-bio.PE
A Discrete-Time Compartmental Epidemiological Model for COVID-19 with a Case Study for Portugal
在[Ecological Complexity 44（2020）Art. 100885，DOI：10.1016/j.ecocom.2020.100885]中，以2020年3月2日至5月4日的葡萄牙为例，提出了2019年冠状病毒病（COVID-19）传播的连续时间分区数学模型，并分析了无病平衡（DFE）的局部稳定性。在这里，我们提出了一个类似的离散时间模型，并使用适当的李雅普诺夫函数，我们证明了全局稳定性的DFE点。使用COVID-19实际数据，我们通过数值模拟证明了所得理论结果的一致性。
2021-11-23 cs.NA math.NA physics.soc-ph
COVID-19 severity determinants inferred through ecological and epidemiological modeling
COVID-19临床严重程度的决定因素通常通过死亡人数的横向或纵向研究进行评估。然而，死亡人数取决于疾病的临床严重程度和传染性，因为感染人数越多，死亡人数也就越多。此外，死亡人数（以及病死率等相关指标）是动态量，因为它们出现在感染的延迟期，而不同的地理区域通常属于流行病曲线上的不同点。相反，我们使用流行病学建模提出了一个疾病严重程度的措施，占潜在的疾病动态。这一衡量标准对应于人口平均死亡率与恢复率的比率（m/r）。它独立于疾病传播动力学（即，基本再生数），并具有直接的机械解释。我们使用该方法来评估与疾病严重程度相关的人口统计学、医学、气象和环境因素。为此，我们采用了生态回归研究设计，并在第一次疾病爆发期间分析了美国不同的州。主成分分析，然后是基于机器学习技术的单变量和多变量分析，用于选择重要的预测因子。在不使用临床研究的先验知识的情况下，我们恢复了已知影响疾病严重程度的重要预测因素，特别是年龄，慢性疾病和种族因素。此外，我们确定长期的污染暴露和人口密度作为疾病严重程度的预测因子，并没有得到广泛的认可（尽管对于以前假设的污染）。整体而言，建议的措施可用于推断COVID-19及其他传染病的严重程度决定因素，所得结果可帮助更好地了解COVID-19风险。
2021-08-31 q-bio.PE
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
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
Identification of an Epidemiological Model to Simulate the COVID-19 Epidemic using Robust Multi-objective Optimization and Stochastic Fractal Search
传统上，反问题的制定和解决方案中的参数识别认为，模型，变量和数学参数是免费的不确定性。这一方面简化了估计过程，但没有考虑设计变量相对较小的变化对目标函数的影响。本文采用SIDR（Susceptible，Infected，Dead and Available）模型来模拟新型冠状病毒病（COVID-19）的动态行为，通过构造鲁棒反问题，即考虑设计变量的敏感性，来估计其参数。为此，制定了一个强大的多目标优化问题，考虑最小化的不确定性相关的估计过程和最大化的鲁棒性参数。为了解决这个问题，多目标随机分形搜索算法是与有效平均的概念，用于评估的鲁棒性。考虑中国疫情的实际数据得到的结果表明，设计变量的敏感性评估可以提供更可靠的结果。
2020-05-30 math.OC q-bio.PE
An epidemiological model for the spread of COVID-19: A South African case study
为COVID-19在南非的传播建立了流行病学模型。使用经典的房室SEIR模型的变体，称为SEIQRDP模型。由于南非仍处于全球COVID-19大流行的早期阶段，确诊感染病例尚未达到峰值，因此SEIQRDP模型首先根据德国、意大利和韩国的数据进行参数化，这些国家的感染病例数已远远超过峰值。通过合理预测COVID-19确诊病例、死亡病例和康复病例的数量将在何处结束以及何时结束，可以实现良好的拟合。然后使用2020年3月23日至5月8日期间的南非数据来获得SEIQRDP模型参数。结果发现，该模型拟合初始疾病进展良好，但该模型的长期预测能力是相当差的。南非SEIQRDP模型随后重新计算的基本再生数限制到报告的值。由此产生的模型与数据拟合良好，长期预测似乎是合理的。南非SEIQRDP模型预测，2020年10月底将出现确诊感染个体数的峰值，总死亡人数约为1万至9万人，名义值约为2.2万人。所有这些预测在很大程度上取决于疾病控制措施到位，并坚持这些措施。这些预测被进一步证明是特别敏感的参数，用于确定的基本再现数。未来的目标是使用反馈控制方法与南非SEIQRDP模型，以确定南非政府提出的不同封锁水平的流行病学影响。
2020-05-22 physics.soc-ph q-bio.PE
Epidemiological parameter sensitivity in Covid-19 dynamics and estimation
COVID-19是世界上威胁人类的最可怕的流行病/流行病之一。这种流行病的动态相当复杂，对流行病状态的预测常常失败。在这项工作中，我们研究和相关的SIR流行病模型与正在进行的大流行病，发现流行病的动力学和状态是相当敏感地依赖于模型参数。对确定性SIR模型的精确参数解的分析表明，不动点（$g^*$）依赖于SIR参数，其中，如果$g^*\langle\fracγ{βx_0}$，则$g^*$是稳定的，大流行是可以控制的;如果$g^*\rangle\fracγ{βx_0}$，则$g^*$是不稳定的，表明大流行处于活跃状态，而$g^*=0$对应于地方病状态.动力学表现出渐近稳定分岔。随机SIR模型的解析解允许预测流行时间$t_E\propto\frac{1}γ$和平均感染人口成为常数的小值的$γ$。系统中的噪音甚至可以调节流行病的动态。因此，我们估计这些参数的值在锁定期间使用ABC SSA算法，并发现强烈的依赖于控制策略，即锁定，并遵循幂律行为。数值结果显示与真实数据高度一致，并对疫情控制中的社交距离或封锁产生积极影响。
2021-10-01 nlin.AO q-bio.PE
Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks
Frankfurt Institute for Advanced Studies（法兰克福高等研究院）；Xidian-FIAS International Joint Research Center（西安电子科技大学-法兰克福高等研究院国际联合研究中心）；Institut für Theoretische Physik, Goethe Universität Frankfurt（法兰克福大学理论物理研究所）；GSI Helmholtzzentrum für Schwerionenforschung GmbH（GSI亥姆霍兹重离子研究中心）；Xidian University（西安电子科技大学）
本文提出将嵌入 SIR 模型的物理信息神经网络（PINN）用于传染病动力学建模，通过在合成数据和德国 COVID-19 数据上的实验证明其能准确识别和预测疫情传播趋势，展示了机器学习与仓室模型结合研究流行病的高潜力。
2023-02-20 cs.LG math.DS physics.soc-ph
Partial health status observability and time horizon uncertainty in mean-field game epidemiological models
Imperial College London（帝国理工学院）；Cornell University（康奈尔大学）
本文研究均场博弈流行病模型中个体免疫状态的可观察性与时间跨度不确定性，通过求解正向-反向MFG系统及近似ODEs来解决计算挑战。
2026-09-16 math.OC 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
A New Compartmental Epidemiological Model for COVID-19 with a Case Study of Portugal
我们提出了COVID-19疾病传播的分区数学模型，显示其对葡萄牙大流行的有用性，从该国的第一例记录病例到三个紧急状态结束。新的成果包括房室模型，描述了一个系统的七个常微分方程;证明的积极性和有界的解决方案;调查的平衡点和稳定性分析;计算的基本再生数;和数值模拟与官方的真实数据从葡萄牙卫生当局。除了全新之外，所提出的模型还可以很好地描述COVID-19在葡萄牙的传播，不仅可以同时拟合活跃感染者的数量，还可以同时拟合住院患者的数量，相对于初始人群，$L^2$误差分别为$9.2152e-04$和$1.6136e-04$。这样的结果是非常重要的，从实用的角度来看，从数学的角度来看，远非微不足道。此外，所获得的基本再生产数的值与葡萄牙当局在紧急状态结束时给出的值一致。
2020-11-17 physics.soc-ph q-bio.PE
Suppression of Groups Intermingling as Appealing Option For Flattening and Delaying the Epidemiological Curve While Allowing Economic and Social Life at Bearable Level During COVID-19 Pandemic
在这项工作中，我们模拟了COVID-19流行病在人群中的动态，该人群被建模为一个群体网络，其中感染可以通过群体内和群体间的相互作用传播。我们的研究结果强调了减少群体间感染的重要性，努力使epi（传染病）曲线大幅变平和延迟，同时减轻灾难性的经济和社会后果。为了证明一个极限情况，将一个群体分成m个（比如5或10个）不相互作用的群体，同时保持群体内的相互作用不变，会产生一条拉伸的流行病学曲线，其每日最大感染数在时间上减少和推迟了相同的因子$m$（5或10）。更一般地说，我们的研究提出了一种实用的方法来对抗SARS-CoV-2病毒的传播，该方法基于将人群分成不同的群体，并最大限度地减少他们之间的混合。这一战略可以通过在大型后勤单位的不同层次上对活动进行大规模的基础设施重组来实施（例如，大型生产网络、工厂、企业、仓库、学校、（季节性）收获工作）。重要的是，与完全锁定策略不同，所提出的方法可以防止经济崩溃，并使社会生活保持在一个更高的水平，而不是使每个人都远离任何人。最后但并非最不重要的是，欧洲首次宣布COVID-19疫情在斯洛文尼亚的200万人中结束，这可能被视为证实了本文提出的战略的优势。
2020-06-02 physics.soc-ph q-bio.PE
Spontaneous divergence of disease status in an economic epidemiological game
我们介绍了一个游戏的灵感来自于畜牧业疾病管理的挑战和地方病通过贸易网络的传播。在这个游戏中，成功来自于平衡购买新股的成本和它将携带某种疾病的风险。当玩家遵循一个简单的基于记忆的策略时，我们观察到一个自发的分离，分为两组，分别对应于感染水平相对较高或较低的玩家。通过对疾病的动态以及贸易关系的形成和破坏进行建模，我们得出了这种分离发生的条件，作为每个参与者可接受疾病的传播率和阈值水平的函数。当游戏中的互动仅限于在小世界网络中彼此相邻的玩家时，玩家往往与他们的邻居具有相似的感染水平。我们的结论是，成功的经济流行病学系统可以源于不幸和地理环境，以及在个人对风险的态度的先天差异。
2020-02-28 physics.soc-ph q-bio.PE
Modelling the COVID-19 epidemic and the vaccination campaign in Italy by the SUIHTER model
已提出若干流行病学模型以研究COVID-19大流行的演变。在本文中，我们提出了一个扩展的SUIHTER模型，首先介绍了[Parolini等人，Proc R. Soc. A.，2021年]，以分析COVID-19在意大利的传播情况，这是疫苗接种运动和新变种成为主导时存在的原因。特别是，基于临床证据，对变体的具体特征（例如其增加的传播率）和疫苗（例如其预防传播、住院和死亡的功效）进行建模。通过与其他流行病学模型的近期预测能力比较以及不同情景分析，验证了新模型的有效性。
2021-12-22 cs.NA math.NA q-bio.PE
