Hospitalization dynamics during the first COVID-19 pandemic wave: SIR modelling compared to Belgium, France, Italy, Switzerland and New York City data
利用经典的易感-感染-治愈流行病学模型，推导出了新冠肺炎患者占用床位数的解析公式。分析曲线与比利时、法国、纽约市和瑞士的数据拟合，相关系数超过98.8%，这表明对于这样的宏观数据，更精细的模型是不必要的。拟合用于提取流行病上升阶段的倍增时间、平均恢复时间以及需要医疗干预者的平均住院时间的估计数。在不同的暴发中可以观察到很大的差异。
2021-02-19 physics.soc-ph 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
Data analysis for the COVID-19 early dynamics in Northern Italy
2019冠状病毒病疫情于2020年1月在中国开始，并于2月20日左右到达意大利;最近的估计显示，该病毒很可能在1月就已在该国传播，但未被识别。分析了意大利北部COVID-19早期动态的数据。
2020-03-05 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
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 description of spread of Covid-19 in Italy: people mobility as main factor controlling propagation of infection cases
自2019年底开始，冠状病毒（COVID-19）的传播已在意大利确定了多项旨在防止卫生系统饱和的干预措施。我们已经研究了这些措施的影响，提出了一个平均场模型，描述了一个简单的扩散过程的基础上，所有可观察到的变量的感染传播（对感染仍呈阳性的人数、住院和死亡病例、治愈的人数和感染的总人数）取决于平均参数，即扩散系数，感染截面，和人口密度。虽然这个模型比文献中的其他模型复杂，但它使我们能够直接将流行病统计信息（住院病例，死亡人数，感染人数等）的趋势联系起来。到一个定义明确的可观察的物理量：任何个人每天遇到的平均人数。该模型非常符合流行病数据，并使我们能够将住院病例和疫情死亡人数的时间演变与人员流动性的变化严格联系起来，从而在意大利实施渐进式限制，直到现在（2020年11月15日）。
2020-11-17 physics.soc-ph 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
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
Modelling the spread of Covid19 in Italy using a revised version of the SIR model
在本文中，我们提出了一个模型来预测COVID-19疫情的传播，并将其应用于意大利的具体案例。我们从一个简单的易感、受感染、被感染（SIR）模型开始，并添加了一个条件，即在一定时间后，基本繁殖数$R_0$随时间呈指数衰减，正如世界数据所表明的那样。使用这个模型，我们能够再现流行病的真实行为，平均误差为5%。此外，我们说明了未来可能的情况下，与不同的间隔$R_0$。该模型自2020年3月初以来一直在使用，预测2020年4月意大利的疫情高峰约为10万例。疫情的真正高峰发生在2020年4月20日，有10.8万例活动病例。这一结果表明，该模型对意大利的情况具有预测能力。
2020-05-19 physics.soc-ph q-bio.PE
Statistical investigation of relationship between spread of coronavirus disease (COVID-19) and environmental factors based on study of four mostly affected places of China and five mostly affected places of Italy
COVID-19是由严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）引起的新型冠状病毒病。它于2019年12月起源于中国，并迅速开始在国内蔓延。2019年12月31日，首次向世界卫生组织（WHO）驻中国国家办事处报告。从那时起，它已经传播到全球大多数国家。然而，最近有一种趋势，认为它会在夏天消失，这还没有得到适当的调查。本文对中国4个疫情最严重的地区，即北京、重庆、上海、武汉和意大利5个疫情最严重的地区，在考虑潜伏期的情况下，对每日确诊病例数与最大相对湿度（RH_max）、最高气温（T_max）和最高风速（WS_max）3个环境因子的关系进行了统计研究，即贝加莫、克雷莫纳、洛迪、米兰。研究发现，与最大相对湿度和最高风速的关系基本上可以忽略不计，而与最高温度的关系介于可忽略不计到中等之间。
2020-03-25 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
A Note on the Evolution of Covid-19 in Italy
我们采用了物理学中大量使用的方法，在分析动力系统的演化时，研究了意大利新冠病毒感染的模式。我们采用的技术是基于使用逻辑函数及其衍生物，即哈伯特函数。后者用于预测每天的感染人数。我们还提到了利用其他数学工具的可能性，例如基于Gompertz方程，并对不同的预测能力进行了一些比较。
2020-03-19 q-bio.PE
The impact of a nation-wide lockdown on COVID-19 transmissibility in Italy
2020年3月10日，意大利实施全国封锁，以遏制COVID-19的传播。在此，我们估计，在实施该战略14天后，净繁殖数量已降至流行阈值以下-估计范围为0.4-0.7。我们的调查结果提供了实施封锁有效性的时间轴，这对于大量效仿意大利实施类似措施的国家来说是相关的。
2020-04-26 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
Solvable delay model for epidemic spreading: the case of Covid-19 in Italy
我们研究了一个简单的现实模型，用于描述传染病在人群中的扩散。的动态是由一个单一的功能延迟微分方程，其中，在一个大的人口的情况下，可以精确地解决，即使在存在的时间依赖性的感染率。这种延迟模型比流行病学中常用的所谓SIR模型具有更高的准确度，SIR模型是用常微分方程来表示的。我们应用此模型描述新型传染病Covid-19在意大利的爆发，并考虑到政府为减缓病毒传播而实施的遏制措施以及人口的社会成本。
2020-09-10 cond-mat.stat-mech physics.soc-ph q-bio.PE
Assessing the spatio-temporal spread of COVID-19 via compartmental models with diffusion in Italy, USA, and Brazil
2020年爆发的COVID-19疫情引发了人们对传染病数学建模的兴趣。这类模型通常被定义为房室模型，在这种模型中，所研究的人口根据质量特征被划分为房室，对跨房室转移的性质和速率有不同的假设。虽然最常见的是常微分方程（ODE）模型，其中的隔间只依赖于时间，最近的工作也集中在偏微分方程（PDE）模型，纳入空间的变化的流行病。在易感、感染、暴露、死亡和死亡（SEIRD）框架内对PDE模型的研究在再现COVID-19传染动力学方面取得了可喜的成果。在本文中，我们评估的鲁棒性，这种建模框架，考虑不同的几何形状在更长的时间比其他类似的研究。我们首先验证我们的代码复制先前显示的结果，意大利伦巴第大区。然后，我们将重点放在美国佐治亚州和巴西里约热内卢州，这是世界上受影响最严重的地区之一。我们的研究结果显示，在时间和空间上，所有主要地区和三个不同大陆的所有地区的真实流行病学数据都具有良好的一致性，这表明建模方法既有效又稳健。
2021-02-14 physics.soc-ph q-bio.PE
On the uncertainty of real-time predictions of epidemic growths: a COVID-19 case study for China and Italy
虽然COVID-19在全球迅速传播，但提供疫情实时预测的需求推动了动态和统计模型对可用数据的适应，超出了其能力。在这里，我们专注于通过将渐近分布拟合到实际数据来进行COVID-19感染的统计预测。通过对中国各省和意大利地区的COVID-19感染总数的流行演变进行案例研究，我们发现，在疫情增长的早期阶段，预测的特点是具有很大的不确定性。这些不确定性在流行病达到高峰后大大减少。区域一级预测不确定性的差异可用来突出病毒传播的延迟。我们的研究结果警告说，长期外推的流行病计数必须极其小心地处理，因为它们不仅取决于数据的质量，而且还取决于流行病的阶段，由于内在的非线性本质的基本动力学。这些结果表明，实时流行病学预测应包括广泛的不确定性范围，并迫切需要编制高质量的感染计数数据集，包括无症状患者。
2020-04-20 physics.soc-ph q-bio.PE
Preliminary analysis of COVID-19 spread in Italy with an adaptive SEIRD model
在本文中，我们提出了一个易感-感染-暴露-死亡-死亡（SEIRD）差分模型，用于分析和预测意大利部分地区的COVID-19传播，使用意大利Protezione Civile从2020年2月24日开始的数据。在这项研究中，调查的适应模型。由于意大利政府在不同时间实施了几项限制措施，从2020年3月8日开始，我们建议通过引入时间相关的传输速率来修改SEIRD。在数值结果中，我们报告了最先受到COVID-19疫情影响的三个意大利地区（伦巴第、威尼托和艾米利亚-罗马涅）的最大感染传播。一旦获得更多的数据，这一方法将陆续推广到意大利其他地区。
2020-03-22 q-bio.PE
Inferring the COVID-19 infection curve in Italy
本文的目的是展示一种简单的方法，从现有的汇总数据（如死亡和住院人数）推断新的COVID-19感染的时间进程（这是确定遏制策略效果的最重要信息）。用于艾滋病毒/艾滋病的方法被称为“反向计算”，它依赖于对感染和观察到的事件之间的延迟分布的良好估计;假设流行病遵循一个简单的SIR模型，具有已知的世代间隔，那么我们就可以通过最大似然估计定义随时间变化的接触率的参数。我们显示的应用程序的方法从意大利和它的几个地区的数据，它被发现，$R_0$一直低于1 3月20日左右，并在4月初，它是在0.5和0.8之间，在整个意大利和大多数地区。
2020-04-20 q-bio.PE
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
Future of COVID-19 in Italy: A mathematical perspective
我们提出了一个SEIR分室数学模型。这项研究的主要目的是分析和预测意大利未来几个月的大流行。计算了基本再生数。根据意大利目前的情况，本文将估计该国大流行结束的可能时间。本报告亦讨论了封锁和快速隔离对疫情传播的影响。此外，我们还研究了意大利受大流行影响最严重的四个地区。使用所提出的模型，预测已在这些地区的大流行的持续时间。还研究了模型敏感参数对应的基本再生数的变化。
2020-04-18 math.DS q-bio.PE
Robustly estimating the COVID19 epidemic curve in northern Italy using all-cause mortality
背景：意大利北部是受新冠疫情影响最严重的地区之一。现在人们普遍认为，在第一名患者被发现之前，病毒已经悄悄地传播了至少两周。在这一沉默阶段，以及在接下来的几周里，当医院系统负担过重时，数据收集的方式不够准确，无法估计流行曲线。为了评估病毒传播的动态和遏制措施的有效性，我们尝试使用全因死亡率数据重建流行曲线。研究方法：我们从国家统计局收集了按年龄分层的全因死亡率数据，以及其他政府机构发布的与COVID相关的死亡数据。使用SEIR模型与估计的暴露死亡时间分布，我们拟合的繁殖数量在不同阶段的传播在区域水平。结果：我们估计在病例1被确定之前的繁殖数为2.6+/-0.1。伦巴第大区的学校关闭使该指数降至1.3。软封锁措施导致R<0.8，当引入硬封锁时没有观察到进一步的降低（例如Emilia-Romagna软封锁0.67 +/-0.07，硬封锁0.69+/-0.071）。在严格封锁期间，>75岁年龄段的生殖数量始终高于其他人群（例如，米兰省为0.98 vs 0.71），这表明退休设施中爆发了疫情。从3月7日开始，贝加莫省和布雷西亚省的生殖数量明显低于采取同样严格封锁措施的其他地区（附近省份：0.73，布雷西亚：0.52，贝加莫0.43），这支持了这些省份的大部分人口在3月初已经感染的假设。
2020-08-09 physics.soc-ph q-bio.PE
Metastable states in plateaus and multi-wave epidemic dynamics of Covid-19 spreading in Italy
在第一波和第二波疫情期间，意大利公共卫生政策对Covid 19疫情的控制是通过使用再生数Rt（t）来识别临界（消除）、亚临界（停滞），并通过临界状态进行分离。在这里，我们表明，要量化遏制措施下的Covid-19传播率（CSRwCM），需要通过Rt（t）和倍增时间Td（t）的组合构建三维扩展参数空间相图。在这个空间中，我们确定了意大利及其行政区的Covid-19动态。超临界状态的数学特征在于i）Td相对于[Rt（t）-1]的幂律和ii）Td相对于时间的指数行为，在第一波和第二波中。新的三维相图清楚地显示了亚稳态出现之前和之后的第二波临界制度。放松隔离和追踪活跃分子亚稳态是下一个新生波超临界状态突然开始的前兆。这种动态描述允许政策制定者进行所需的流行病预测，以启动非药物干预措施（NPI），这是避免经济损失、减少死亡和避免疫苗接种活动期间出现新病毒变异的关键问题
2021-02-07 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
The D model for deaths by COVID-19
我们提出了一个简单的分析模型来描述冠状病毒（COVID-19）感染造成的死亡人数快速增加。“D”（死亡）模型来自SIR（易感染-感染-康复）模型的简化版本，称为SI模型。它假设没有恢复。在这种情况下，动力学方程可以解析地求解，并且结果被扩展到描述依赖于我们可以拟合到数据的三个参数的D函数。来自西班牙，意大利和中国的数据的结果。通过与中国死亡数据的比较，验证了该模型的有效性。这使得可以预测西班牙和意大利的疾病发展。
2020-03-30 physics.soc-ph q-bio.PE
Understanding Epidemic Data and Statistics: A case study of COVID-19
2019年新型冠状病毒（COVID-19）已影响116个国家（截至3月12日），确诊病例超过118，000例。了解每天受影响的每个国家的感染传播动态并评估控制政策的有效性对我们采取进一步行动至关重要。迄今为止，COVID-19报告病例的统计数据显示，超过80%的感染者患有轻度疾病，而约14%的感染者患有严重疾病，约5%被归类为危重病患者。今天的报告（2020-03-12;每日更新在准备好的网站）显示，中国，韩国，意大利和伊朗的COVID-19确诊病例分别为80932，7869，12462和10075;分别。计算意大利的总病死率（CFR）（2020-03-04），约7.9%的确诊病例死亡。与韩国的0.76%（比意大利低10倍）和中国的3.8%（比意大利低50%）相比，意大利的CFR太高了。有一些有效的政策使案件趋势发生了重大变化。中国和意大利的封锁政策（11天后观察到的影响），湖北所有非必要公司的关闭（5天后观察到的影响），韩国的综合政策和伊朗的减少工作时间。
2020-03-15 q-bio.PE
COVID-19 pandemic: a mobility-dependent SEIR model with undetected cases in Italy, Europe and US
预防措施：描述第一波COVID-19疫情，重点关注未被发现的病例，并评估不同的封城后情况。产品设计：该研究采用SEIR分区模型，考虑到未被发现的病例的区域特定比例，流动限制的影响，以及所采取的个人防护措施，例如戴口罩和经常洗手。设置和参与者：该模型的实验验证与所有的意大利地区，一些欧洲国家和美国的数据。主要观察指标：通过平均绝对百分误差（MAPE）和Lewis准则衡量模型结果的准确性，拟合参数与文献值吻合较好。研究结果：对不同国家的流行曲线以及未发现和无症状病例的数量进行了估计，这些病例很可能是近期的主要感染源。该模型应用于湖北案例研究，湖北是最早放宽流动限制的地方。结果显示了不同的可能情况。流动性和采取个人保护措施对感染的动态有很大影响，决定了是一个巨大和迅速的第二次流行病高峰，还是一个更延迟和更易管理的高峰。结论：数学模型可以为医疗保健决策者提供有用的见解，以确定未来爆发时的最佳策略。
2021-06-02 physics.soc-ph q-bio.PE
An ARIMA model to forecast the spread and the final size of COVID-2019 epidemic in Italy
冠状病毒病（COVID-2019）是一种正在全球迅速蔓延的严重新型流行病。意大利被广泛认为是疫情的主要中心之一，至今已录得全球最高的COVID-2019死亡率及死亡人数。在这篇文章中，我估计了一个自回归综合移动平均（ARIMA）模型，通过使用意大利国家和地区层面的流行病学数据来预测2020年4月4日之后的流行趋势。该数据指的是意大利卫生部（www.salute.gov.it）在2020年2月20日至4月4日期间正式登记的每日确诊病例数。这种模式的主要优点是易于管理和适应。此外，它可以通过提出假设的流行病的拐点和最终规模，初步了解基本趋势。
2020-04-06 q-bio.PE stat.AP
On the relation of the COVID-19 reproduction number to the explosive timescales: the case of Italy
传染病讨论的一个重要问题是它的基本再生数R 0，它提供了疾病传染性的估计。当R 0> 1时，疾病传播将可能导致爆发，例如正在进行的COVID-19大流行。在疾病暴发的演变过程中，采用了各种非药物干预措施，其影响通常通过它们引入的有效繁殖数Rt的减少来评估;减少到1以下是疾病传播最终消亡的迹象。由于R 0基本上表达了无病平衡的稳定性，在这项工作中，从时标分析的角度研究了Rt。研究表明，在意大利COVID-19疫情演变期间，当各种干预措施到位时，Rt与表征疫情动态的爆炸性时间尺度有明显关系。特别是，它表明，在流行病的进展过程中存在一个爆炸性的时间尺度意味着Rt > 1，而它的缺席意味着Rt < 1。此外，当该时间尺度与最慢的时间尺度收敛/发散时，Rt接近/退出其阈值1。这些结果表明，时间尺度分析可用于评估各种干预措施的影响，因为它反映了有效繁殖数提供的洞察力，而不受人口模型选择的阻碍，也不受模型校准所遵循的参数估计过程的影响。
2021-01-15 math.DS physics.soc-ph q-bio.PE
Optimal Control to Limit the Spread of COVID-19 in Italy
我们将最优控制理论应用于广义SEIR型模型。建议的系统有三项控制措施，分别为社交距离、预防手段及治疗措施，以对抗COVID-19疫情的传播。我们分析这样的最优控制问题，在意大利的实际数据传输。我们的研究结果表明，该模型的适当性，特别是在隔离/住院（确诊和感染）和康复的个人的数量。考虑庞特里亚金控制，我们展示了如何在一个完美的世界中，可以大大减少易感，暴露，感染，隔离/住院和死亡的个人的数量，通过增加不敏感/保护的人口。
2021-07-25 math.OC q-bio.PE
A fractional model for the COVID-19 pandemic: Application to Italian data
我们为意大利的COVID-19大流行提供了一个概率SIRD模型，其中我们允许感染率，恢复率和死亡率是随机的。特别地，潜在的随机因子由分数布朗运动驱动。我们的模型是简单的，只需要几个参数进行校准。
2020-07-31 physics.soc-ph q-bio.PE
Analysis and forecast of COVID-19 spreading in China, Italy and France
在本报告中，我们分析了2019年中国、意大利和法国在时间窗$22/01-09/03/2020$中爆发的冠状病毒病的时间动态。对简单的时滞图的第一次分析指出了流行病传播的一些普遍性，这表明简单的平均场模型可以有意义地用于收集流行病传播的定量图像，特别是确认感染个体的峰值的高度和时间。在一个简单的易感-（确认）感染-康复-死亡模型中对相同数据的分析表明，描述康复率的动力学参数似乎是相同的，无论在哪个国家，而感染率和死亡率似乎更易变。该模型将意大利的峰值放在$^{\rm th}$ 2020年3月20日左右，最大确诊感染人数约为16000人。
2020-03-12 cond-mat.stat-mech nlin.AO 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
The SIR model towards he data. One year of Covid-19 pandemic in Italy case study and plausible "real" numbers
In this work, the SIR epidemiological model is reformulated so to highlight the important { \em effective reproduction number}, as well as to account for the { \em generation time}, inverse of the { \em incidence rate}, and the { \em infectious period} (or { \em removal period}), inverse of the { \em removal rate}. The aim is to check whether the relationships the model poses among the various observables are actually found in the data. The study case of the second through the third wave of the Covid-19 pandemic in Italy is taken. Given its scale invariance, initially the model is tested with …
2021-07-25 q-bio.PE
Inferring the effective fraction of the population infected with Covid-19 from the behaviour of Lombardy, Madrid and London relative to the remainder of Italy, Spain and England
我使用了一个非常简单的确定性模型来描述COVID-19在大规模人群中的传播。通过比较意大利、西班牙和英国不同地区每天死亡人数的相对衰减，每个地区原则上在全国范围内采用相同的社交距离程序，我得到了4月10日已经感染的总人口比例的估计。在受影响最严重的地区，伦巴第、马德里和伦敦，这一比例高于预期，即$\approx 0.3$。这个结果可以转换为感染死亡率$ifr$的测定，它似乎是$ifr \approx 0.0025-0.005$，在伦敦甚至更小，比通常假设的要低一些。或者，如果对感染的易感性存在方差高达约2的值的变化，则该结果也可以被解释为比简单计数所暗示的群体的有效更大的分数。无论是对效应的解释，还是对效应的组合，其含义都非常相似。
2020-05-25 q-bio.PE
Spatial spread of COVID-19 outbreak in Italy using multiscale kinetic transport equations with uncertainty
在本文中，我们引入了一个空间相关的多尺度模型来描述不确定数据下传染病的空间传播，特别是在模拟意大利COVID-19疫情的爆发方面。虽然病毒传播是由SEIAR型房室模型，在我们的方法中，人口是由一个总和的通勤者移动在城市外的规模和非通勤者互动，只有在较小的城市规模。交通动力学的通勤人口在大的空间尺度上，动力学方程的基础上，在城市尺度上的非通勤者的扩散模型相结合。由于一个合适的尺度限制，动力学运输模型用于描述通勤者的动态，在一个给定的城市区域内，与扩散方程的特点，非通勤个人的运动相吻合。由于疫情早期报告的数据具有高度不确定性，因此在模型中纳入了初始数据和疫情参数中存在的随机输入。一个强大的数值方法的设计，以处理多尺度的存在和不确定性量化过程。在我们的模拟中，我们考虑了一个现实的地理区域，描述了伦巴第地区，其中城市的规模，感染人数，每天从一个城市到另一个城市的通勤者的平均人数，以及流行病方面考虑通过校准模型参数的基础上，实际可用的数据。结果表明，该模型能够正确描述意大利北部COVID-19第一波空间扩展的主要特征。
2021-06-14 cs.NA math.NA physics.soc-ph
Intermittent yet coordinated regional strategies can alleviate the COVID-19 epidemic: a network model of the Italian case
2019年底在中国武汉出现的COVID-19疫情对意大利的打击尤为严重，导致意大利实施了严格的全国封锁规定（第一阶段）。目前，意大利国内外正在就重启一个国家以退出国家封锁（第二阶段）的最佳策略进行激烈的辩论。以前的研究集中在国家一级可能重新启动的情景建模，忽略了意大利和世界其他国家一样，被划分为行政区域，这些行政区域可以独立监督自己在意大利国家卫生服务中的份额。在这项研究中，我们表明，区域主义和地区之间的异质性，是必不可少的了解流行病的传播，更重要的是，设计有效的封锁后的战略，以控制疾病。为了实现这一目标，我们将意大利建模为一个区域网络，并根据从最初爆发起近两个月的真实数据对每个区域的模型进行参数化。使用该模型，我们确认了意大利政府迄今为止为减缓疾病传播而实施的国家封锁战略在区域层面的有效性，并显示了其在区域层面的有效性。我们还建议，在第二阶段，尽管协调，但有区别的区域干预措施可以有效地重新启动国家，避免未来再次出现疫情，同时避免区域卫生系统饱和，减轻对成本的影响。我们的研究和方法可以很容易地扩展到其他粒度级别（同一地区的省或县或其他联邦国家的州等）。支持政策制定者和决策者。
2020-05-15 physics.soc-ph q-bio.PE
Hyperbolic compartmental models for epidemic spread on networks with uncertain data: application to the emergence of Covid-19 in Italy
空间网络在流行病传播中的重要性是传染病动力学建模的一个重要方面。此外，任何现实的数据驱动模型都必须考虑到官方来源报告的数值中存在的很大不确定性，例如传染性个体的数量。在本文中，我们通过网络上的双曲房室模型来解决上述问题，其中节点识别感兴趣的位置，如城市或地区，弧代表主要移动路径的集合。该模型描述的空间移动和相互作用的人口分区，从流行病学的角度来看，在扩展的隔间结构的基础上，分为通勤者，移动在郊区的规模，和非通勤者，在城市规模的行动。通过扩散重标度，该模型使我们能够恢复经典的扩散方程相关的通勤动力学。数值解的多尺度双曲型系统的不确定性，然后处理使用随机配置方法结合有限体积IMEX方法。该模型能够正确描述流行病在现实城市网络中传播的空间异质性，并通过对意大利COVID-19爆发及其在伦巴第大区传播的研究得到证实。
2021-05-29 cs.NA math.NA physics.soc-ph
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
The Role of Asymptomatic Individuals in the COVID-19 Pandemic via Complex Networks
本研究构建可区分无症状与有症状病例的COVID-19流行病学模型，结合Watts-Strogatz复杂网络扩展为非均质版本，通过意大利案例分析无症状感染影响及开学相关防控的区域协调必要性。
2020-09-08 physics.soc-ph q-bio.PE
Observed and estimated prevalence of Covid-19 in Italy: Is it possible to estimate the total cases from medical swabs data?
在意大利当前的新冠肺炎大流行期间，官方数据是根据纯粹的便利标准用医疗拭子收集的，至少在早期阶段，这使得对表现出明显症状的患者的检查具有特权。然而，有证据表明，无症状患者的比例非常高（例如，G. Aguilar等人，2020; Chugthai等人，2020; Li等人，2020; Mizumoto等人，2020 a，2020 b和Yelin等人，2020年）。在这种情况下，为了估计感染的实际人数（并估计致死率），有必要进行一次适当设计的抽样调查，通过这种调查，有可能计算纳入的概率，从而得出合理的概率推断。一些研究人员提出了基于各种方法的总流行率估计数，包括流行病学模型、时间序列和分析在早期面临流行病的国家收集的数据（Brogi等人，2020年）。在本文中，我们建议通过重新加权Istituto Questiore di Sanità发布的可用官方数据来估计意大利的Covid-19患病率，以获得更具代表性的意大利人口样本。重新加权是通常用于人工修改样本组成以获得与总体更相似的分布的程序（Valliant等人，2018年）。在本文中，我们将使用后分层的官方数据，以获得必要的权重，重新加权他们使用年龄和性别作为后分层变量，从而获得更可靠的估计患病率和致死率。
2020-05-12 q-bio.PE q-bio.QM
Predicting the evolution of the COVID-19 epidemic with the A-SIR model: Lombardy, Italy and São Paulo state, Brazil
存在大量感染者，但症状很少或没有症状，这是一个重要的流行病学难题，也是COVID-19的主要数学特征。Giuseppe Gaeta，arXiv：2003.08720 [q-bio.PE]（2020）提出了A-SIR模型，即SIR（易感-感染-移除）模型，其中包含无症状或症状很少的感染个体的隔室。在本文中，我们调查了一个稍微广义的版本相同的模型，并提出了一个计划，用于拟合的参数模型的真实数据，仅使用时间序列的死者个人。该方案适用于意大利伦巴第和巴西圣保罗州的具体案例，显示了流行病的不同方面。对于每种情况下，我们表明，我们可能有很好的适合到目前为止的数据，但在未来的行为有很大的差异。这种不同结果背后的原因是一个关键参数的值的不确定性，感染者完全有症状的概率，以及所采取的社交距离措施的强度。这一结论加强了努力确定人群中有症状或无症状的感染者的真实数量的必要性。
2020-08-17 math.DS q-bio.PE
Emergent circulation patterns from anonymized mobility data: Clustering Italy in the time of Covid
本文基于匿名移动数据构建意大利省际人员流动网络，通过时空聚类识别封控阶段与稳定移动区域，并验证可推广至其他地区和类似网络的分析流程。
2023-06-08 cs.SI physics.soc-ph q-bio.PE
Analytical solution of SEIR model describing the free spread of the COVID-19 pandemic
本文研究了SEIR（Susceptible Exposed Infectious Removed）传染病模型.其目的是为受COVID-19大流行影响的人群的峰值和渐近值及其特征时间提供简单的分析表达式。
2020-12-26 physics.soc-ph q-bio.PE
SEIHRDV: a multi-age multi-group epidemiological model and its validation on the COVID-19 epidemics in Italy
提出多年龄、多场景的 SEIHRDV 流行病学模型，并利用意大利疫情数据验证，以支持干预、疫苗接种与 Green Pass 情景分析及预测。
2025-01-07 cs.NA math.NA q-bio.PE
Intermittent non-pharmaceutical strategies to mitigate the COVID-19 epidemic in a network model of Italy via constrained optimization
本文关注的是利用网络流行病学模型设计间歇性非药物策略来减缓COVID-19疫情的传播。具体来说，通过研究一个变分方程的动态感染的网络模型中的流行病传播，我们得出，使用收缩参数，一个条件，可以用来保证，在流行病学方面，有效的繁殖数小于1。这个条件有三个优点：（i）它是容易计算的;（ii）它是直接相关的模型参数;（iii）它可以用来强制执行的可扩展性条件，禁止放大网络系统内的干扰。然后，我们包括满足这样的条件作为约束的模型预测控制问题，以减轻（或抑制）的流行病的传播，同时最大限度地减少干预措施的经济影响。数据驱动的模型，意大利作为一个网络的三个宏观区域（北，中，南），其参数是从实际数据中确定的，是用来说明和评估所提出的控制策略的有效性。
2021-10-04 cs.SY eess.SY math.OC
Contact network models matching the dynamics of the COVID-19 spreading
本文研究了传染病传播在两个节点相连的概率随它们的距离按幂律衰减的空间网络上的传播。随着距离依赖指数的增长，模型网络从随机网络极限平滑地过渡到规则格点极限。我们发现，尽管保持接触的平均数量不变，增加的指数阻碍了传染病传播，使长距离连接不太频繁。扩散动力学也受到距离依赖指数的影响，从指数增长变为幂律增长。观察到的幂律增长与最近对COVID-19在许多国家传播的经验数据的分析相符。
2020-12-11 physics.soc-ph q-bio.PE
Mathematical Modeling of the Spread of COVID-19 in Moscow and Russian Regions
为了模拟COVID-19冠状病毒在俄罗斯地区和莫斯科的传播，使用了描述病例数量增加的离散逻辑方程。为了检查数学模型的充分性，将模拟结果与冠状病毒在中国、一些欧洲和亚洲国家以及美国的传播进行了比较。在区间（01.03 - 08.04）内确定了俄罗斯、莫斯科和其他大区域的物流方程的参数。呈列不同国家及地区COVID-19感染人口增长率的比较分析。考虑了COVID-19冠状病毒在莫斯科和俄罗斯地区传播的各种情况。对于每一种情况，获得了每日新病例的曲线和病例总数增加的图表，并研究了每日感染传播的动态。确定了高峰时间、流行期、高峰感染人数及其增长情况。
2020-04-21 physics.soc-ph q-bio.PE
SUIHTER: A new mathematical model for COVID-19. Application to the analysis of the second epidemic outbreak in Italy
COVID-19疫情是上个世纪影响人类的一长串大流行病中的最后一次。在本文中，我们提出了一个新的数学流行病学模型命名为SUIHTER从七个隔间的名称，它包括：易感未感染的个人（S），未检测到的（无症状和有症状）感染（U），隔离（I），住院（H），威胁（T），灭绝（E）和恢复（R）。一个合适的参数校准，是基于最小二乘法和马尔可夫链蒙特卡罗（MCMC）方法的结合使用，提出了再现过去的历史，在意大利的流行病，出现在2月下旬，至今仍在进行中，并验证SUIHTER在其预测能力。新模型的一个显著特点是，它允许在模型分区和意大利民防局每天提供的数据之间采用一对一的校准策略。然后将新模型应用于意大利疫情的分析，重点是2020年秋季出现的第二次疫情。特别是，我们表明，流行病学模型SUIHTER可以适当地用于在国家一级进行情景分析的预测方式。
2021-04-26 cs.NA math.NA q-bio.PE
Optimized lockdown strategies for curbing the spread of COVID-19: A South African case study
为遏制COVID-19的蔓延，全球多个政府已实施不同程度的严格封锁。封锁级别通常在疾病传播时增加，在疾病消退时减少。预测控制方法用于制定优化的封锁策略，以遏制COVID-19的传播。然后将这些策略应用于南非的数据。南非的案例值得关注，因为南非政府定义了五个不同的封锁级别，作为一个离散的控制输入。先前开发了COVID-19在南非传播的流行病学模型，并与混合模型预测控制器结合使用，以优化不同政策情景下的封锁管理。考虑的情景包括如何将曲线拉平至医疗系统可以应对的水平，如何平衡生活和生计，以及人口遵守封锁措施对COVID-19传播的影响。本文的主要目的是显示最佳的锁定水平应给予的政策，是在地方，由闭环反馈控制器。
2020-11-13 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
An empirical model on the dynamics of Covid-19 spread in human population
我们提出了一个数学模型来分析一个地区在持续的大流行中感染新冠病毒的总人数的时间演变。利用各国新冠病毒感染人口的现有数据，我们建立了一个模型，该模型可以成功跟踪这种传染病在给定波中从早期到饱和期的时间演变。它涉及一组可以从现有数据中提取的有效参数。利用这些参数，还可以预测疾病传播的未来轨迹。还提出了一组微分方程，其解是这些时间演化轨迹。使用这种形式主义，我们预测了一些国家的感染传播的未来时间演变轨迹，这些国家的COVID-19感染仍在迅速上升。
2020-08-13 physics.soc-ph q-bio.PE
Is the epidemic spread related to GDP? Visualizing the distribution of COVID-19 in Chinese Mainland
于二零一九年十二月，中国湖北省武汉市发现COVID-19。SARS-CoV-2在中国春运期间迅速蔓延到整个中国大陆。截至二零二零年二月十九日，中国大陆已报告74 576例COVID-19确诊病例。什么样的城市确诊病例比较多，GDP和确诊病例有没有关系？在这项研究中，我们探索了新冠肺炎确诊病例与地级GDP之间的关系，发现两者之间呈正相关关系。这一发现警告说，当疫情爆发时，高GDP地区应该付出更多的预防和控制努力，因为它们比附近的其他地区有更大的风险。
2020-04-09 physics.soc-ph q-bio.PE
Modeling COVID-19 Spread in Small Colleges
我们在一个网络上开发了一个基于代理的模型，旨在捕捉COVID-19在一个小型住宿学院中传播的独特特征。我们发现，一个安全的重新开放需要强有力的政策，从管理员结合学生的谨慎行为。强有力的政策包括每周一次的筛查测试，快速周转和减半的校园人口。学生的谨慎行为意味着戴口罩，减少社交，并出现COVID-19检测。我们还发现，全面的测试和口罩是最有效的单一干预措施，建筑物的封闭可能会导致其他地区的感染高峰，这取决于学生的行为，更快的测试结果返回显着减少总感染。
2020-08-21 physics.soc-ph q-bio.PE
