Forecasting the daily and cumulative number of cases for the COVID-19 pandemic in India
持续的新型冠状病毒疫情已于二零二零年三月十一日被世界卫生组织宣布为大流行,而印度政府已宣布自二零二零年三月二十五日起在全国范围内实施封锁,以防止COVID-19的社区传播。由于缺乏特异性抗病毒药物或疫苗,数学建模在更好地理解疾病动态和设计控制快速传播的传染病的策略方面发挥着重要作用。在我们的研究中,我们开发了一个新的房室模型,解释了COVID-19的传播动力学。我们使用印度恰尔肯德邦、古吉拉特邦、安得拉邦和昌迪加尔四个省的每日COVID-19数据校准了我们提出的模型。我们研究了模型的定性性质,包括可行平衡点及其关于基本再生数$\mathcal{R}_0$的稳定性。无病平衡点随着感染者恢复率的增加而稳定,地方病平衡点随着感染者恢复率的增加而不稳定,但当疾病传播率保持较高时,地方病平衡点始终保持稳定。对于估计的模型参数,所有四个省的$\mathcal{R}_0 >1$,这表明COVID-19的重大爆发。短期预测显示,印度四个省的COVID-19每日和累积病例呈上升趋势。
2020-06-25 physics.soc-ph q-bio.PE
An India-specific Compartmental Model for Covid-19: Projections and Intervention Strategies by Incorporating Geographical, Infrastructural and Response Heterogeneity
我们提出了一个新冠肺炎在印度传播的房室元人群模型。我们的模型使用适用于COVID-19的流行病学模型模拟了地区或州一级的人群。利用现有的人口普查数据建立的交通矩阵将不同的地区连接起来。我们在模型中引入了检测率的不确定性,该模型考虑了不同州对疫情的不同反应以及公共医疗系统状况的因素。我们的模型使我们能够对新型冠状病毒在印度的传播进行定性预测,并进一步使我们能够调查不同拟议干预措施的影响。通过在地理和基础设施水平和当地反应的异质性,我们的模型旨在捕捉一些流行病学建模的复杂性,适合于一个不同的国家,如印度。
2020-07-28 physics.soc-ph q-bio.PE
The Data Forecast in COVID-19 Model with Applications to US, South Korea, Brazil, India, Russia and Italy
本文首先建立了SQIARD和SIARD模型,研究了COVID-19在检疫、感染和无症状感染情况下的传播,并讨论了各自的基本再生数$R_0, R_Q$与模型平衡点稳定性的关系。其次,在对相关数据参数进行训练后,在数值模拟中分别对美国、韩国、巴西、印度、俄罗斯和意大利的数据进行预测,并对各国的疫情进行预测效果分析。此外,我们应用美国的数据比较SQIARD和SIARD,并显示预测的效果。
2021-06-13 physics.soc-ph q-bio.PE
Modeling Control, Lockdown \& Exit Strategies for COVID-19 Pandemic in India
COVID-19是一种病毒性传染病,已迅速成为全球大流行病,感染了数百万人,全球死亡人数众多。这种疾病的症状差别很大。根据症状,感染者大致分为两类,即无症状和有症状。无症状的人表现出轻微或没有症状,但继续将感染传播给其他健康的人。无症状感染的这一特殊方面构成了管理和控制传染病传播的主要障碍。在本文中,我们试图在各种干预策略下对COVID-19在印度的传播进行数学建模。我们认为SEIR型流行病学模型,与印度特定的社会接触矩阵代表接触结构之间的人口的不同年龄组。各种因素的影响,如渐近个人的存在,封锁策略,社会距离的做法,隔离,和住院的疾病传播进行了广泛的研究。我们模型的数值模拟与印度截至2020年5月15日的COVID-19真实数据相匹配,以估计模型参数。我们的分区锁定模型被认为对2020年7月20日做出了不错的预测。
2020-07-22 physics.soc-ph q-bio.PE
Network structure of COVID-19 spread and the lacuna in India's testing strategy
我们描述了COVID-19在印度的传播网络,发现传播率为0.43,每天的病例增长是由在国外感染病毒的个人推动的。我们探讨的问题,这是否代表指数衰减的动态或仅仅是一个人工制品的印度的测试策略。检测主要限于来自高风险国家的个人及其直接接触者,这意味着该网络反映了来自有偏见的检测样本的阳性识别。鉴于检测水平普遍较低,而且几乎完全没有社区传播检测,我们很有可能错过疫情的实际性质。印度目前的病例量仍然很低,采取行动的时间可能很短,因此应该积极和系统地扩大社区传播的随机检测,包括对无症状病例的检测。这将有助于了解真正的传输特性,并为不久的将来做出适当的规划。
2020-03-21 physics.soc-ph q-bio.PE
Connecting the Dots of COVID-19 Transmissions in India
印度于2020年1月下旬出现首例病例,COVID-19阳性病例数量急剧上升。迄今为止,该国34个州/中央直辖区已被发现受到大流行病的影响。我们在这项工作中,研究COVID-19大流行在印度的进展。我们的目标是在印度创建COVID-19的传输网络可视化,并对其进行分析。利用获得的传播网络,我们试图找到可能的超级传播者个体和超级传播者事件(SSE),负责在各自的地区爆发。我们讨论了网络分析在减轻疾病进一步传播方面的潜力。这是对印度疫情的初步研究之一,也是首次尝试从传播网络的角度研究该国的大流行病。
2020-07-25 cs.SI physics.soc-ph q-bio.PE
Counting the uncounted : estimating the unaccounted COVID-19 infections in India
本研究针对印度COVID-19大量感染未被统计的问题,在SEIR模型中新增未检测仓室,结合PINN估算20个重灾邦及全国两波疫情的未检测感染规模等指标,并用基于特征训练的ANN实现可靠疫情预测。
2024-03-01 physics.soc-ph q-bio.PE
Assessment of Lockdown Effect in Some States and Overall India: A Predictive Mathematical Study on COVID-19 Outbreak
在缺乏有效治疗或疫苗的情况下,以及对流行病学周期的不完全了解,政府已在全国范围内实施封锁,以减少COVID-19在印度的传播。为了研究社交距离措施的影响,我们考虑了一个新的数学模型,其中包含了封锁效应。通过验证我们的模型,从五个不同的国家和整个印度的通知病例的数据,我们估计了几个流行病学上的重要参数,以及基本的繁殖数($R_{0}$)。将机械数学模型与不同的统计预测模型相结合,我们预测了2020年5月17日至2020年5月31日期间六个地点的通报病例。进行了一项全球敏感性分析,以确定两个流行病学可测量参数对锁定效应和$R_{0}$的相关性。我们的研究结果表明,在人群中存在较高比例的症状感染的地方,封锁将是有效的。此外,需要进行大规模COVID-19大规模检测以减少社区感染。包围模型预测显示,未来数天大部分地区的COVID-19通报病例将大幅增加。此外,预测期间的有效繁殖数量($R_{t}$)趋势表明,如果在2020年5月17日之后完全取消封锁措施,则在这些地点可能会看到通知病例的高峰值。最后,结合我们的结果,我们提供了有效的封锁政策,以减少未来COVID-19在印度的传播。
2020-07-06 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
Preferences for COVID-19 vaccine: Evidence from India
由于疫苗犹豫不决的程度很高,印度的大规模疫苗接种工作进展缓慢。这项研究使用了来自1371名受访者的在线离散选择实验的数据,严格审查了该国形成疫苗偏好的因素。我们发现,疫苗的有效性,副作用的存在,保护时间,距离接种中心和接种率在社交网络中发挥关键作用,在确定疫苗的需求。我们应用非参数模型来揭示这些因素影响的异质性。我们从这一分析中得出两个新的见解。首先,尽管平均而言,国内开发的疫苗是首选,但约30%的样本青睐外国开发的疫苗。其次,大约15%的样本对疫苗的偏好对同龄人中副作用的存在和疫苗接种率高度敏感。这些结果为印度正在进行的关于疫苗采用的政策辩论提供了见解。
2021-08-18 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
Analysis of COVID-19 cases in India through Machine Learning: A Study of Intervention
Bareilly College(巴雷利学院);CSIR-Central Electronics Engineering Research Institute(CSIR-中央电子工程研究所);Jawaharlal Nehru University(贾瓦哈拉尔·尼赫鲁大学)
为了抗击2019年冠状病毒病(COVID-19)大流行,世界上只有疫苗接种、血浆治疗、群体免疫和流行病学干预等少数几种可能的选择。COVID-19疫苗开发正在进行中,可能需要大量时间来开发疫苗,开发完成后,需要时间为整个人群接种疫苗,而血浆疗法具有一定的局限性。对于小国来说,群体免疫可能是抗击COVID-19的一个合理选择。但对于印度这样的人口大国来说,群体免疫并不是一个合理的选择,因为要获得群体免疫力,约67%的人口必须从COVID-19感染中恢复过来,这将给该国的医疗系统带来额外负担,并将导致巨大的生命损失。因此,流行病学干预措施(完全封锁、部分封锁、隔离、隔离、社交距离等)在疫苗开发之前,印度有一些合适的策略来减缓COVID-19的传播。在这项工作中,我们提出了SIR模型与干预,它包含了流行病学干预的经典SIR模型。为了模拟干预的效果,我们引入了\r{ho}作为干预参数。\r{ho}是涵盖所有类型干预的累积量。我们还讨论了有监督的机器学习方法,以估计SIR模型的传播率(\b{eta}),并从印度和印度一些州的COVID-19流行数据中进行干预。为了验证我们的模型,我们对实际和模型预测的COVID-19病例数进行了比较。使用我们的模型,我们还提供了截至2020年9月30日,整个印度和印度一些邦的活动和康复COVID-19病例的预测数量,并估计了预测病例的95%和99%置信区间。
2020-08-17 cs.LG physics.soc-ph q-bio.PE
Analysis of COVID19 Outbreak in India using SEIR model
由于印度人口和气象数据分布的多样性,预测COVID 19病毒在印度的传播模式非常困难。全球各地的研究人员试图将这些数据的相互依赖性与COVID 19病例在印度的传播模式联系起来。但很难预测确切的模式,尤其是活跃病例数量的峰值。在本文中,我们试图使用广义SEIR模型预测印度COVID 19的活动,康复,死亡和总病例数。在我们的预测中,活跃病例曲线中峰值的出现与真实数据中的峰值非常接近(仅相差一周)。尽管预测病例数与实际病例数不同(由于从2020年6月起逐步解除行动限制),但实际和预测时间(活跃病例曲线峰值)的密切相似性使该模型相对适合分析印度的COVID 19疫情。
2020-10-26 physics.soc-ph
Projections for COVID-19 spread in India and its worst affected five states using the Modified SEIRD and LSTM models
2019年的最后一站出现了一种名为COVID-19(2019冠状病毒病)的病毒。自从印度出现这种感染以来,政府实施了几项政策和限制措施,以遏制其在人口中的传播。随着时间的推移,这些限制被放宽,人们被建议自行采取预防措施。印度政府及时采取的这些决定在很大程度上帮助减缓了COVID-19的传播。尽管作出了这些决定,但这一流行病继续蔓延,因此,迫切需要规划和控制这一疾病的蔓延。这可以通过找到关于传播的未来预测来实现。全球的科学家正在努力估计COVID-19的未来增长。本文提出了一个修正的SEIRD(易感-暴露-死亡-死亡)模型,用于预测印度及其病例总数最高的五个邦的COVID-19感染情况。在该模型中,暴露区室包含可能无症状但具有传染性的个体。本文还使用了基于深度学习的长短期记忆(LSTM)模型来执行短期预测。从拟议的修正SEIRD模型获得的预测也与LSTM对未来30天的预测进行了比较。本文使用截至2020年8月15日的流行病学数据进行预测。这些预测将有助于安排足够的医疗基础设施,并提供适当的预防措施,以应对目前的流行病。印度政府实施的不同封锁措施的影响也被用于拟议的修正SEIRD模型的建模和分析中。本文所载结果将为未来制定控制COVID-19在印度传播的政策提供指引。
2020-09-07 cs.CY physics.soc-ph q-bio.PE
Analysis of the second wave of COVID-19 in India based on SEIR model
印度受到第二波COVID-19疫情的严重威胁,尤其是在二零二一年五月初。由于与第一波高峰期相比,2021年5月和6月的感染人数/活跃病例数量惊人地增加,情况似乎相当令人沮丧。印度政府╱邦政府已实施多项控制措施,如封锁、设立新医院及在不同阶段实施旅行限制,以减轻疫情初期爆发的病毒传播。最近,我们研究了印度COVID-19疫情演变的易感染-暴露-传染-消除(SEIR)动态模型,并借助适当的参数量化了各种政府行动和个人反应的强度。我们的分析很好地预测了第一波的情况。在本文中,我们将我们的分析扩展到在上述SEIR模型的帮助下估计和分析印度第二波COVID-19期间的感染人数。我们的研究结果表明,人们的个人努力以及政府的行动,如实施宵禁,加速疫苗接种战略是目前和未来控制大流行的最重要因素。
2021-12-23 physics.soc-ph
Impact of Covid-19 Pandemic on Water Pollution in Indian Rivers -- A Case Study
评估水质的一些重要关键参数,如pH值(氢离子浓度),DO(溶解氧),BOD(生物需氧量)等,在印度一些主要河流的不同地点进行了监测。研究结果表明,临界参数在某些监测点有增加值,在某些监测点有减少值,在其他一些地方没有变化。建议pH值高于7,较高的DO值,较低的BOD和FCC(粪大肠菌群含量)值,以改善水质。总体而言,印度大部分河流的水质有所改善。没有排放工业废物、旅馆/餐馆废物、在宗教节日期间浸泡偶像等,在新冠疫情封锁期间被送到河里因此,印度政府对工业和家庭活动产生的废物的处理实施严格的规定,可以大大减少印度河流的水污染水平。
2023-01-17 physics.soc-ph
Did the lockdown curb the spread of COVID-19 infection rate in India: A data-driven analysis
为了分析印度连续三次全国封锁的效果,我们对四个关键参数进行了数据驱动分析,即降低传播率,抑制增长率,平坦化流行曲线和改善医疗保健系统。通过考虑四个不同的指标,即繁殖率、生长率、倍增时间和死亡与恢复比率,对这些指标进行了量化。本集团利用指数增长、最大似然估计、序贯贝叶斯方法及时间依赖性繁殖估计,分析印度COVID-19疫情(于二零二零年三月二日至二零二零年五月三十一日期间)的发病率数据,以获得与疫情曲线的最佳拟合。最佳拟合(基于所考虑的数据)是时间依赖性方法。因此,该方法用于评估对有效繁殖率的影响。从封锁前到封锁3结束的时间段,有效繁殖率下降了$45\%$。在同一时期,生长速率从锁定前的$393\%$降低至锁定3后的$33\%$,伴随着平均倍增时间从$4$ - $6$天增加至$12$ - $14$天。最后,死亡与康复比率从$0.28$(封锁前)下降到封锁3后的$0.08$。总括而言,评估封城措施成效的四项指标自封城措施前至封城措施三结束期间均出现重大有利变化。使用这些指标分析封锁后期间的数据将更清楚地说明封锁的成功程度。
2020-06-22 physics.soc-ph q-bio.PE
COVID 19, a realistic model for saturation, growth and decay of the India specific disease
这项工作提出了一种简单而现实的方法来处理印度COVID-19患者的现有数据并预测情况。建议的模式是基于现有的事实,例如封锁的开始(政府在第25天宣布)、τ0和由平均寿命恢复时间τ1(通常约为14天)决定的恢复模式。2020年3月2日至4月16日期间感染COVID-19患者的数据已用于拟合感染、康复和死亡人数的演变。一个缓慢上升的指数增长,与R 0接近1/6,被发现代表感染的计数表明几乎是线性上升。数据的其余增长、饱和和衰减可通过结合锁定时间控制的R 0来理解地建模,具有正常误差函数,如在τ2的某个时间范围内衰减到零的行为。恢复平均寿命τ1决定了峰值和衰减。对未来几天的预测结果是有趣和乐观的。引入的时间常数的基础上的实验数据的恢复率,以及确定锁定后的R 0的活动的时间跨度是有争议的主题,并提供了可能性,引入触发因素来改变这些更适合于模型。该模型可以扩展到其他社区自己的R 0和恢复时间参数。
2020-04-21 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
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
To Jab or Not to Jab? A Study on COVID-19 Vaccine Hesitancy in India
我们在印度进行了一项全国范围的综合互联网调查,旨在确定导致对接种COVID-19疫苗犹豫不决的因素,并比较其影响程度。人们对现有疫苗的可靠性和有效性的认识是降低疫苗犹豫的重要驱动因素。此外,较高的犹豫与年龄较小或受教育程度较低有关。此外,将COVID-19大流行之前和之后的疫苗态度进行比较,我们发现后者对接种疫苗的犹豫明显减少。我们还发现,除了标准的知识和宣传活动,地方一级的同行影响是影响疫苗犹豫的重要因素。最后,我们在一个基于合成异构复杂网络的社会中,对我们的调查数据使用逻辑回归的统计显著估计,以推断可能从我们感兴趣的变量之间的动态相互作用中产生的场景。我们使用这个模拟社会的结果来建议可能降低疫苗犹豫的战略干预措施。
2022-12-21 physics.soc-ph
Assessing potential insights of an imperfect testing strategy: Parameter estimation and practical identifiability using early COVID-19 data in India
本文提出含感染者检测的确定性模型研究检测策略影响,利用印度早期COVID-19数据估计参数并验证可辨识性,发现提高检测率与效能可显著降低峰值病例数、推迟峰值并减轻疾病负担。
2022-11-16 physics.soc-ph q-bio.PE
Analysis of the Indian Chemical Industry in the Post-Covid Era
印度化学工业的故事是一个出色的表现和承诺。作为一个始终如一的价值创造者,化学工业仍然是一个充满吸引力的机会中心,即使在全球不确定的环境中。本文旨在分析各种驱动因素、主要参与者在基本面分析中的表现,以及由于疫情后世界的各种地缘政治和宏观经济趋势而影响行业表现的各种趋势。
2021-08-13 econ.GN physics.soc-ph q-fin.EC
Comparing the dynamics of COVID-19 infection and mortality in the United States, India, and Brazil
本文比较和对比了COVID-19在受疫情影响最严重的三个国家(美国、印度和巴西)的传播和影响。这三个国家都有一个联邦结构,其中各个州在很大程度上决定了对这一流行病的反应。因此,我们对这三个国家的各个州进行了广泛的分析,以确定每个国家的相似性模式。首先,我们分析结构相似性和异常的病例和死亡的轨迹作为多变量时间序列。接下来,我们研究了这三个国家及其州的不同病毒爆发波的长度。最后,我们调查适当的时间偏移病例和死亡之间的功能不同的爆发波。在所有这些分析中,我们始终揭示了美国和印度各州之间更具特征性的不同行为,而巴西各州在其波动行为中表现出较少的结构,并在病例和死亡之间不断变化。
2022-01-29 physics.soc-ph
Effect of lockdown interventions to control the COVID-19 epidemic in India
由新型冠状病毒SARS-CoV 2引起的大流行导致了危及生命的健康并发症,并对医疗保健系统造成了极大的压力。虽然预防性和明确的治疗性医疗干预措施尚未到位,但管理机构实施的物理隔离、检疫和严厉的社会措施等非药物干预措施可有效阻止感染在人群中的传播。在印度等人口稠密的国家,由于社会和行政管理的复杂性,封锁干预措施部分有效。使用详细的人口统计数据,我们提出了一个基于代理的模型来模仿人口的行为及其流动性特征,即使在干预下。我们展示了接触追踪政策的有效性,以及我们的模型如何有效地与测试效率的实证研究结果相关。我们还提出了各种封锁干预策略来缓解-使用感染的数量,有效繁殖率以及使用强化学习。我们的分析可以帮助评估这些干预措施的社会经济后果,并为政策制定者提供有用的想法和见解,以便更好地做出决策。
2020-09-07 cs.MA physics.soc-ph q-bio.PE
A model for the spread of an epidemic from local to global: A case study of COVID-19 in India
在本文中,我们提出了一个新冠肺炎传播的流行病学模型。传播的动力学是基于人口中的四个基本类别的人:测试和感染,未测试但感染,测试但未感染,和未测试而未感染。该模型是基于两个层次的人口传播的动态:在地方一级和全球一级。地方层面的增长以数据和参数描述,包括COVID-19的测试统计数据、全国封锁等预防措施以及邻近地区的人口迁移。在印度的情况下,当地位置被视为地区,跨地区的迁移或交通流量由感染COVID-19的地区的集合人口网络的归一化边权重定义。根据当地的增长情况,对COVID-19阳性检测人数进行了州一级的预测。此外,考虑到当地的位置作为国家,预测国家一级。模型参数的值是使用网格搜索和最小化误差函数来确定的,同时用真实数据训练模型。这些预测是基于目前的测试统计数据,以及州和国家一级测试的线性和对数线性增长。最后指出,如果试验次数能按一定的因素线性或对数线性增加,并在不久的将来采取预防措施,则可以抑制扩散。这对于防止感染人数急剧增加和消除第二波大流行病也是必要的。
2020-06-04 cs.SI physics.soc-ph q-bio.PE
Implication of Repatriating Migrant Workers on COVID-19 Spread and Transportation Requirements
由于COVID-19全国封锁,滞留在印度各地的移民工人迫切需要公共交通工具返回原籍。安排运输可能会使COVID-19感染病例数量激增。因此,本文调查了COVID-19感染的确诊和活跃病例的潜在激增,并评估了遣返移民工人所需的训练和巴士车队规模。通过预测2011年人口普查数据并与新闻媒体报道的信息进行比较,获得了预期遣返的农民工人口。提出了一种改进的易感染-暴露-感染-清除(SEIR)模型,以估计印度选定的移民外流率高的邦的确诊和活动性COVID-19患者病例的激增。开发的模型考虑了不同水平的移民工人的每日到达率,总的移民工人需要运输,和旅行依赖症状的情况下到达的起源的组合。减少移徙工人大量外流的国家的每日移徙工人抵达率(即,北方邦和比哈尔邦)可以帮助降低确诊病例和活跃病例的激增。尽管如此,这可能会造成将所有遣返的移民工人运送到家乡所需天数的差异。因此,建议每天安排大约100,000名移徙工人前往北方邦和比哈尔邦,每天安排大约50,000名移徙工人前往拉贾斯坦邦和中央邦,每天安排20,000名移徙工人前往马哈拉施特拉邦,每天安排不到20,000名移徙工人前往印度其他邦。
2020-07-30 physics.soc-ph q-bio.PE
Love Thy Neighbor? Perceived Community Abidance and Private Compliance to COVID-19 Norms in India
遵守社交距离、洗手及戴口罩等措施已成为应对COVID-19疫情健康风险的占优策略。这些行为通常被认为是亲社会的,其中一个必须承担私人成本,以造福或保护他人。通过在线调查,使用印度各地的自我报告数据(n=934),我们评估了感知社区合规性的变化是否可以预测个人合规行为的变化,控制潜在的混杂因素。我们观察到两者之间具有统计学显著性和正相关性,即使在考虑了遗漏变量偏误之后,也可以从合理的因果关系角度看待结果。此外,我们发现随后的封锁,如在印度实施的封锁,对个人合规产生了不利影响,尽管社区合规性的提高似乎抵消了这一损失。我们还发现,通过社区的敏感性可以是特别有效的人与预先存在的合并症。我们的研究结果强调,需要多层次的行为干预,包括当地行为者和社区机构,以维持私人遵守在大流行期间。
2020-10-21 econ.GN physics.soc-ph q-fin.EC
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
Space observation on detoxing the unhealthy air quality during COVID-19 pandemic in India
Institute of Science, Banaras Hindu University(贝拿勒斯印度大学科学学院);Assam University(阿萨姆大学)
这项研究的目的是揭示冠状病毒大流行与印度不健康空气质量的空间观测之间的相关性。全球已实施封锁,以打破冠状病毒感染链。由于工业和运输部门暂时关闭,空气质量指数(AQI)在封锁开始后开始改善。这项研究汇编了NASA(美国国家航空航天局),ESA(欧洲航天局)和ISRO(印度空间和研究组织)最近发布的数据。在本文中,我们讨论了空间观测二氧化氮(NO2),气溶胶光学深度(AOD),PM2.5和PM10的影响,在印度的各个地区的空气质量。我们分析了今年和去年同期封锁前和封锁期间空气质量的解毒情况。结果显示,与印度北部过去20年相比,封锁期间对不健康空气质量的解毒产生了积极影响,因为NO2的排放量已减少到40% - 50%,气溶胶的光学水平指数较低。
2020-11-04 cs.LG physics.ao-ph physics.soc-ph
Estimating the severity of COVID-19 Omicron Variant in USA, India, Brazil, France, Germany and UK
这项工作通过同时拟合美国、印度、巴西、法国、德国和英国的确诊病例和死亡病例,评估了COVID-19 Omicron变异体在病死率(CFR)和相应不确定区间方面的严重程度。在最小二乘法的框架下,结合蒙特卡罗模拟和基于Gompertz函数的分析方法计算CFR,并假设死亡可以通过确诊病例与常见伽马函数的卷积来描述,以描述病例至死亡的时间。拟合中包括病例和死亡的线性背景,以解释Omicron峰值内其他菌株的贡献。拟合包括125和113流行病学周,病例和死亡分别为64个参数,导致174个自由度的卡方系数为176.5(p = 0.434)。美国、印度、巴西、法国、德国和英国的CFR和95%置信区间为0.295(0.154-0.436)%、0.232(0.134-0.331)%、0.49(0.27-0.71)%、0.056(0.028-0.084)%、0.129(0.074-0.184)%和0.168(0.107-0.229)%。病例至死亡的时间段通过一个常见的伽马函数进行了令人满意的描述,平均值为15.71 +/- 0.55天,变异系数为0.354 +/- 0.070。拟议的计算方法提供了有关各CFR和病例至死亡时间段的准确可靠信息,后者与以前在大流行早期阶段对症状发作至死亡时间段的估计一致。由此获得的CFR远低于文献中先前的测量值,这表明后者可能被高估了,因为在通常突出的Omicron峰下,…
2023-02-20 physics.soc-ph q-bio.PE stat.AP
A Monte Carlo approach to model COVID-19 deaths and infections using Gompertz functions
这项研究通过蒙特卡罗方法描述了COVID-19死亡和感染的动态。这些分析包括来自美国,巴西,墨西哥,英国,印度和俄罗斯的死亡数据,根据世界卫生组织的数据,截至2020年8月7日,这四个国家的死亡/确诊病例数最多。通过绘制$χ^2$值,将Gompertz函数拟合至每周平均每日确认死亡数据。模型参数的不确定度、方差和协方差通过传播计算。美国和印度的日平均死亡率拟合函数均呈上升趋势,其中美国的增长率较高,不确定性较大。对于墨西哥、英国和俄罗斯,拟合与斜坡下降模式一致。对于巴西,我们发现了一个微妙的下降趋势,但存在重大的不确定性。美国、英国和印度的数据显示,与第二个高峰相比,第一个高峰的增长率更高,这表明卫生措施和社会距离等非药物干预措施的好处使曲线变平。对于美国来说,第三个高峰似乎是相当合理的,最有可能与最近的放松政策有关。巴西的数据令人满意地描述了两个高度重叠的Gompertz函数,具有相似的增长率,这表明大流行的两个步骤的传播过程。模型预测的2020年8月31日美国、巴西、墨西哥、英国、印度和俄罗斯的总死亡人数($\times 10^3$)的95% CI分别为160至220、110至130、59至62、46.6至47.3、54至63和16.0至16.7。我们对感染患病率的估计与美国和巴西进行的血清学研究的一些初步报告合理一致。该方法是根据实际数据估计感染曲线线形和相关参数不确定性的有…
2020-08-11 physics.soc-ph q-bio.PE
COVID-19 in Spain and India: Comparing Policy Implications by Analyzing Epidemiological and Social Media Data
2019冠状病毒病疫情迫使公共卫生专家制定应急政策以遏制感染传播,包括部分╱全面封锁等措施。这些政策的效果因地理、人口分布和执行效果而异。因此,一些国家(例如,台湾、海地)比其他国家(例如,美国)遏制疫情。对一个国家有效的公共卫生政策进行数据驱动的调查,将使其他国家的公共卫生专家能够决定未来控制疾病和流行病爆发的行动方针。我们选择了西班牙和印度,对在某些因素方面相似的地区进行分析:(1)人口密度,(2)失业率,(3)旅游业,(4)生活质量。我们认为,从twitter对话中获得的公民意识形态可以提供对政策一致性的见解,并适当地反映未来的情况预测。当曲线显示彼此偏离的新案例的数量时,里程碑用于定义提取政策相关推文的时间段,而来自政策相关子事件的因果关系网络的概念用于生成概念云。新病例的数量是使用回归模型中的情感分数预测的。我们看到,新的病例预测反映了Twitter的情绪,有意义地与触发子事件联系在一起,使西班牙和印度的政策相关调查结果能够有效地进行比较。
2020-10-26 cs.SI physics.soc-ph
Was India saved by staying below the critical travel threshold and was lockdown and travel restriction the most important public health intervention?
从“印度否认新冠肺炎危机”或“印度盯着冠状病毒灾难”到“印度发现新冠肺炎病例之谜”,印度对这场大流行病的反应被描述为。这些应对措施远远没有得到科学的支持,而且似乎对印度利用其优势减轻这一流行病影响的能力一无所知。印度政府迅速采取行动,限制/管制提高公共卫生能力的行动,以满足这一流行病日益增加的需求,在这一行动的支持下,印度似乎已经做了足够的工作,取得了成功。印度做得很好,如果不能保证未来,但至少现在。在这里,我们回顾这些措施,并指出它们与社区间传播的作用分析和社区内阻止局部疫情的行动是一致的。特别是,严格限制旅行,停止集会,有针对性的局部封锁,学校关闭,有效的公共沟通,病例识别的改善,口罩和其他个人防护设备(PPE)的工业生产和检测能力的快速提升,以及在城市贫困的高密度地区采取的强化措施,使印度处于病例下降和疫情控制的状态。现在是时候承认印度成功的科学基础,并给予它应有的评价。随着印度最近新增病例数量的持平,完成消除过程以防止新的激增的紧迫性非常大。
2021-02-24 physics.soc-ph
Shut and re-open: the role of schools in the spread of COVID-19 in Europe
我们通过将丹麦、挪威、瑞典和德国各州作为案例研究,调查了学校关闭和随后重新开放对COVID-19传播的影响。通过比较不同干预措施下每日住院或确诊病例的增长率,我们提供的证据表明,学校关闭的影响是可见的,因为实施后约9天的增长率下降。有限的入学率,如年龄较大的学生参加考试或年轻群体的部分返回,似乎不会显著影响社区传播。在丹麦或挪威等社区传播普遍较低的国家,大规模重新开放学校,同时控制或抑制疫情似乎是可行的。然而,在德国等社区传播相对较高的国家,学校重新开放可能有助于显著提高增长率。我们的研究结果强调,需要对重新开放策略进行谨慎评估,以确保低教室占用率和坚实的基础设施,以快速识别和隔离新的感染。
2021-04-26 physics.soc-ph q-bio.PE
Lockdown Strategies, Mobility Patterns and COVID-19
我们开发了一个多事件模型,并利用国家内部和国家之间各种公共政策的时间、类型和强度水平的差异,研究它们对COVID-19每日发病率和135个国家人口流动模式的动态影响。我们考虑到同时存在的多种干预措施,以消除并发的政策偏见。该论文的主要结果是,取消公共活动和对私人聚会施加限制,然后关闭学校,在数量上对减少COVID-19的每日发病率产生了最明显的影响。其次是工作场所和呆在家里的要求,其统计意义和影响程度不那么明显。相反,我们发现国际旅行管制、公共交通关闭以及对城市和地区之间流动的限制没有影响。我们确定,这些研究结果是介导的,其对人口流动模式的影响与时间使用和流行病学因素相一致的方式。
2020-05-31 econ.EM physics.soc-ph q-bio.PE
Dynamical analysis of the infection status in diverse communities due to COVID-19 using a modified SIR model
在这篇文章中,我们模拟和研究了COVID-19在德国、日本、印度和印度受影响严重的州的传播,即,在德里、马哈拉施特拉邦、西孟加拉邦、喀拉拉邦和卡纳塔克邦。我们考虑Worldometers及COVID-19 India网站于二零二零年四月至二零二一年七月期间发布的记录数据,包括该等国家及邦受疫情严重打击的关注期间。我们的方法基于经典的易感染-感染-清除(SIR)模型,可以跟踪社区中感染的演变,其中我们(a)允许在记录的数据集中出现激增,爆发或二次波时重置易感和感染人群,(b)考虑SIR模型中表示有效传输和恢复速率的参数是时间的函数,以及(c)通过将模型解与记录的数据集相结合来估计死亡人数,以在连续的浪涌、爆发或二次波之间近似计算死亡人数,从而提供更准确的估计。我们报告了这些国家和州目前的感染状况,以及印度和日本的感染和死亡情况。我们的模型可以适应记录的数据,并可用于解释它们,重要的是,预测感染,康复,移除和死亡的人数,以及它可以估计有效的感染率和恢复率作为时间的函数,假设在给定的时间发生疫情。后者可用于预测未来的繁殖数量,并与受感染和死亡个体数量的预测一起,我们的方法可用于建议实施干预策略和缓解政策,以控制受感染和死亡个体的数量。这有助于减少世界各地传播的影响,改善人们的福祉。
2022-03-11 nlin.CD physics.soc-ph
Optimal periodic closure for minimizing risk in emerging disease outbreaks
在没有疫苗和治疗的情况下,社会必须依靠非药物干预策略来控制新冠肺炎等新兴疾病的传播。虽然完全封锁在流行病学上是有效的,因为它消除了传染性接触,但它带来了巨大的成本。最近的几项研究表明,最大限度地减少流行病风险的一个合理的折衷策略是定期关闭,其中人口在广泛的社会限制和放松之间摇摆。然而,没有基本的理论已经提出来预测和解释最佳封闭期作为流行病学和社会参数的函数。在这项工作中,我们开发了这样一个分析理论的SEIR样模型疾病,显示如何特征封闭期出现,最大限度地减少总爆发,并增加可预测的繁殖数量和疾病的潜伏期,只要两者都在可预测的范围内。使用我们的方法,我们证明了最佳的周期性关闭是最有效的疾病具有类似的潜伏期和恢复期的甜蜜点效应。我们的结果与数值模拟结果进行了很好的比较,包括在感染性和恢复性显示出显著变化的COVID-19模型中。
2021-01-05 physics.bio-ph physics.soc-ph q-bio.PE
Measuring the effect of Non-Pharmaceutical Interventions (NPIs) on mobility during the COVID-19 pandemic using global mobility data
实施政府非药物干预措施(NPIs)一直是控制COVID-19疾病传播的主要手段。这些非营利机构的预期效果是减少流动性。流动性的大幅减少被认为通过限制病毒在人群中传播的机会对减少COVID-19传播产生积极影响。由于实施这些非营利机构的成本巨大,因此必须充分了解其功效。使用苹果和谷歌发布的全球流动性数据以及ACAPS NPI数据,我们研究了NPI对i)锁定前后流动性水平之间转变的变化(幅度)大小和ii)这种转变的速度(梯度)的比例贡献。使用广义线性模型来寻找最佳拟合模型,我们使用Apple或Google数据发现了类似的结果。影响移动性变化幅度的NPI包括:封锁措施(Apple,Google Retail and Recreation(RAR)和Google Transit and Stations(TS)),宣布紧急状态(Apple,Google RAR和Google TS),关闭企业和公共服务(Google RAR)和学校关闭(Apple)。使用聚类分析和卡方检验,我们发现,关闭企业和公共服务,学校关闭和限制公众集会以及边境关闭和国际航班暂停密切相关。实施封锁措施和限制公众集会对流动性变化率的影响最大。总之,我们能够定量评估NPI在减少流动性方面的有效性,这使我们能够及时了解其细粒度的影响,从而促进知情和具有成本效益的干预措施。
2020-09-21 cs.SI physics.soc-ph q-bio.QM
A new threshold reveals the uncertainty about the effect of school opening on diffusion of Covid-19
我们旨在澄清有关学校开放或关闭对新冠肺炎疫情影响的争议。对具有亚群的房室模型的数学分析表明,学校接触率仅在超过将影响阶段与非影响阶段分开的某一阈值时才影响大流行的总体进程。我们在几种情况下通过线性近似计算的阈值似乎出现在所有情况下,包括爆发或新菌株激增,封锁和不包括儿童的疫苗接种活动,尽管值不同。我们的理论研究结果,然后证实了一些数据驱动的研究,以前确定的相变在特定情况下。本研究的具体结果是:相同或类似情况的研究得出的相反结论可能取决于建模或参数估计与非常嘈杂的Covid-19数据之间的差异(可能很小),这导致识别不同阶段;在新冠肺炎疫情的任何阶段,学校都有可能继续开放,但必须始终适用适当严格的规则,否则这对病毒遏制工作非常有害;由于接种疫苗期间的阈值与如果学校人口被隔离则会导致病毒灭绝的内部传播率相对应,所需的严格控制只能维持很短的时间;因此,要么学校将不得不长期关闭,要么儿童也需要接种疫苗。
2021-04-12 math.DS physics.soc-ph q-bio.PE
Surveillance of COVID-19 Pandemic using Hidden Markov Model
CMR Institute of Technology(CMR理工学院);PES University(PES大学)
COVID-19疫情于过去数月令全球陷入停顿。特别是大流行病蔓延的速度让每个人都措手不及。世界各国政府的应对措施包括实施封锁、停止/限制旅行和强制保持社交距离。积极的一面是,可以广泛获得各区域每天收集的关于活跃病例、康复和死亡的信息。然而,特别具有挑战性的是追踪被称为超级传播者的无症状携带者的疾病传播。在本文中,我们着眼于应用隐马尔可夫模型来更好地评估传播的程度。这种分析的结果有助于各国政府以协调一致的方式设计所需的干预/应对措施。我们选择分析的数据与印度情景有关。
2020-08-14 cs.LG physics.soc-ph q-bio.PE
COVID-19 Epidemic Study II: Phased Emergence From the Lockdown in Mumbai
自二零二零年三月二十五日开始的全国性封锁旨在抑制COVID-19疾病的传播,其后印度政府三次下令延长至二零二零年五月三十一日。延长封锁已产生重大社会和经济后果,可能已出现“封锁疲劳”。自二零二零年六月一日起分阶段重开。孟买是世界上最拥挤的城市之一,在印度所有城市中病例和死亡人数最多(截至2020年6月2日,41986例阳性病例和1368例死亡)。在接下来的几天里,重新开放将做出许多艰难的决定。在早期的IISc-TIFR报告中,我们提出了一个基于代理的城市规模模拟器(ABCS),以模拟孟买和班加罗尔等大都市的感染进展和传播。正如IISc-TIFR报告1中所讨论的,ABCS是一个有用的工具,可以在个人层面上模拟城市居民的互动,并捕捉非药物干预对感染传播的影响。在这份报告中,我们将重点放在孟买。使用我们的模拟器,我们考虑了从2020年6月1日开始的封锁中孟买分阶段出现的一些合理情景。其中包括分阶段逐步开放行业、部分开放公共交通等(模拟郊区列车中的感染传播)、隔离区对控制感染的影响,以及遵守各种干预措施(包括使用口罩、病例隔离、家庭隔离等)的作用。我们模拟结果的主要结论是,分阶段开放工作场所,保守估计,20%至33%的出勤率是重启经济活动的好方法,同时确保该市的医疗能力足以应对6月和7月可能增加的COVID-19患者数量。
2020-06-05 cs.OH physics.soc-ph q-bio.PE
A Generalized Epidemiological Model for COVID-19 with Dynamic and Asymptomatic Population
在本文中,我们开发了一个扩展的标准流行病学模型,适用于COVID-19。这一扩展包括由于症状前或无症状的病毒携带者造成的传播。此外,这一模型还反映了由于人员往来于一个国家内不同行政边界而造成的疾病传播。该模型描述了由于(初期)人类传播和多个隔间的伴随影响,确诊病例数量的概率上升。模型中的相关参数可帮助设计公共卫生政策和大流行病的业务管理。例如,该模型表明,增加对有症状患者的检测对大流行的进展没有任何重大影响,但无症状人群的检测率发挥着极其关键的作用。该模型是使用获得的数据在印度共和国的恰蒂斯加尔邦。该模型被证明有显着更好的预测能力比其他流行病学模型。这种模式可以很容易地应用于任何行政边界(州或国家)。此外,该模型也适用于任何其他流行病。
2020-11-19 physics.soc-ph q-bio.PE stat.AP
Scenario analysis of non-pharmaceutical interventions on global COVID-19 transmissions
本文引入动态面板SIR(DP-SIR)模型,利用全球9个国家的面板数据研究非药物干预(NPI)对COVID-19传播动态的影响。通过构建不同NPI组合的情景,我们的实证研究结果表明,各国可能会避免实施学校关闭、戴口罩和集中隔离的封锁政策,以达到控制COVID-19感染的类似结果。我们的研究结果还表明,截至2020年4月4日,美国和新加坡等某些国家可能需要采取额外的NPI措施,以更有效地控制疾病传播,而其他国家可能会谨慎考虑逐步取消一些NPI,以减轻整体经济的成本。
2021-06-04 physics.soc-ph q-bio.PE q-bio.QM
LA City Bike Lane Infrastructure and its Effects on Business Closures From 2016-2021
本文研究洛杉矶自行车道对企业倒闭的影响,发现沿自行车道的企业经营状况良好,且COVID-19并非显著相关因素。
2022-04-27 physics.soc-ph