Bayesian Optimized Event Based Epidemic Modeling in India
大流行病的爆发在世界各地造成了威胁生命的局面，有一段时间感觉好像它使世界变慢了。正在采取大量努力来减缓流行病的传播。本文的主要目的是建立一个数学模型的流行病在印度的传播的基础上，大规模收集使用分布函数和贝叶斯方法。随后使用广义线性回归根据抵达印度的航班对大流行传播进行建模。我们验证了这些事件对印度确诊病例数量的影响，并从积极意义上制定了确诊病例数量。随后，研究了传染病的进展，使用级数和平坦化曲线，使用适当的收敛准则。我们用政府公布的统计数字验证了理论方面的问题。
2020-10-03 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
The effect of extended closure of red-light areas on COVID-19 transmission in India
新型冠状病毒病（COVID-19）大流行已导致印度超过20万例。到目前为止，印度已实施封锁措施，以遏制疾病传播。然而，红灯区（RLA）的商业性工作有可能导致COVID-19在封锁后死灰复燃。我们开发了一个新冠病毒在RLA中传播的模型，评估了延长RLA关闭与RLA重新开放对印度五个主要城市RLA内、城市内和印度全国病例、住院和死亡率的影响。关闭降低了所有尺度的传输。加尔各答、浦那和那格浦尔的RLA居民中超过90%的累积病例和死亡病例可以在重新开放的情况下避免。在整个印度，延长RLA的关闭将使广大民众受益，将COVID-19病例的高峰期推迟8至23天，并在疫情高峰期避免32%至60. 2%的累积病例和43%至67. 6%的累积死亡。在制定更好的预防和治疗战略之前，延长RLA的关闭将有利于印度的公共卫生。
2020-06-12 physics.soc-ph q-bio.PE
Modeling and forecasting of the COVID-19 pandemic in India
背景：持续的COVID-19疫情在印度迅速蔓延。为了结束全球COVID-19大流行，印度采取了主要的行为、社交距离、接触者追踪和国家干预措施，以减少疫情的爆发，并避免冠状病毒在印度和世界各地的人类中持续存在。在没有任何疫苗或疗法的情况下，预测是卫生保健规划和控制COVID-19传播的重中之重。方法：我们提出了一个数学模型，解释了COVID-19在印度的传播动态。基于估计的数据，我们的模型预测流行病的演变和SARS-CoV-2的结束，并帮助评估不同政策的影响，以控制疾病的传播。研究结果：与感染者的真实数据，我们发现的基本生殖数$R_0$为17个国家的印度和整个印度。提供了一个完整的数字，以证明估计的大流行生活周期〈动〉<动>以及迄今为止的真实数据或历史。我们的研究表明，在印度实施的严格控制措施大大减轻了SARS-CoV-2的传播。重要的是，模型模拟预测，到2020年6月26日，印度的疫情将减少95%，到2020年7月26日，印度的疫情将减少99%。释义：我们的模型模拟表明，通过减少社会距离和采取必要的预防措施，在社区范围内消除SARS-CoV-2是可能的。可严格实施封锁，以防止COVID-19在人与人之间传播。基于模型和参数估计的流行病生活周期〈动〉<动>和结束日期，如果可以精确地完成，可以减少痛苦和过度乐观，并为我们所有人的爆发演变的下一阶段发展心态。
2020-05-13 q-bio.PE
Dynamical modelling and analysis of COVID-19 in India
我们认为新型冠状病毒在中国武汉市爆发后，新型冠状病毒疫情在印度蔓延。我们使用官方报告的疫情早期数据，借助易感（S）、暴露（E）、感染（I）和移除（R）人口模型，即所谓的SEIR动力学模型，估计了印度COVID-19初始感染个体的传播率。进行数值分析和模型验证，以根据有关感染人数的官方公开信息校准系统参数，然后评估可能适用于印度的几种COVID-19情景。我们的研究结果提供了一个估计的疾病发生在不久的将来，也证明了政府和个人的努力，以控制流行病相关的关键情况的影响和时间的重要性。我们还特别强调了遏制过程中的个别反应。
2020-12-08 physics.soc-ph q-bio.PE
Modelling the role of media induced fear conditioning in mitigating post-lockdown COVID-19 pandemic: perspectives on India
主要由于巨大的社会经济副作用，数个已成功透过“封城”控制COVID-19疫情严重程度的国家现正考虑慢慢结束封城。封锁的突然结束可以增加基本生殖数量并取消一切;因此，需要精心设计的退出策略来维持其提升后的好处。为了研究封锁后阶段恐惧条件反射在减缓COVID-19传播中的作用，在这项工作中，我们提出了一个年龄和社会接触结构依赖的易感、恐惧、暴露、感染和隔离（SFEIR）模型。通过大众媒体（如电视，社区广播，互联网和印刷媒体）以及正强化，模拟印度人口的SFEIR模型，发现恐惧人群比例的增加导致感染人口增长的显着下降。目前的研究表明，在封锁后阶段，媒体诱导的恐惧条件反射与学校关闭约一年以上，可以作为一个重要的非药物干预，以大大减轻这种流行病在印度。拟议的SFEIR模型通过量化媒体在诱导恐惧条件反射方面的影响，强调了社区驱动的变化在封锁后阶段缓解COVID-19传播的国家特定变化中的重要性。
2020-05-25 q-bio.PE
SARS-COV-2 Pandemic: Understanding the Impact of Lockdown in the Most Affected States of India
SARS-COV-2让世界停止了脚步，三分之一的人口被迫呆在家里。在这里，我们提出了一个比较研究的表现，印度各邦，在遏制疾病的传播，受大流行病的影响最大。我们已根据二零二零年三月十四日至二零二零年四月十七日期间收集的数据进行评估。我们通过比较平滑的时间序列和百分比变化以及每日确诊病例的变化点检测来做到这一点。我们还讨论了不同的政策和战略，由国家在遏制疾病和基层执行。我们已经开发了ARIMA（p，d，q）模型，其中（p，d，q）是通过最小化AIK（赤池信息准则）。这些模型被用来对该国进行预测，结果显示，到2020年5月7日，印度将有大约50，237例确诊病例，11天的增长率将翻一番。在每个州的表现的基础上，我们认为，地方一级的战略，这是基于该特定地区的人口，而不是一个中央和统一的发展。
2020-04-28 q-bio.PE stat.AP
Effectiveness of Testing, Tracing, Social Distancing and Hygiene in Tackling Covid-19 in India: A System Dynamics Model
我们提出了一个新冠肺炎在印度传播的系统动力学（SD）模型。详细的基于年龄结构的分区模型内生地捕获了各种疾病传播途径，从标准SEIR模型显著扩展。该模型是为印度定制的，使用了适当的人口金字塔、接触率矩阵、外部到达人数（根据实际数据）以及其他一些基于印度报告的新冠肺炎病例的校准分数。此外，我们使用独立的时变杠杆，明确建模了检测、接触者追踪、隔离Covid阳性患者、隔离、使用口罩/更好的卫生习惯、通过减少家庭（H）、工作（W）、学校（S）和其他（O）地点不同区域的接触率来保持社交距离的影响。模拟结果显示，即使在延长封锁期后，仍会留下一些数量不小的感染者（甚至是无症状感染者），大流行将重新出现。唯一能有效对抗这场大流行病的工具是对那些表现出新冠肺炎类似症状的人进行高比率的检测，如果他们呈阳性，就将他们隔离，并追踪所有与阳性患者接触的人，并将他们隔离，同时使用口罩和个人卫生。接触者追踪、隔离、预防和个人卫生措施的有效性的广泛结合有助于最大限度地减少大流行的影响，一项措施的实施中的一些缺陷可以通过更好地实施其他措施来弥补。
2020-04-19 q-bio.PE
Epidemiological dynamics of the 2009 Influenza A(H1N1)v outbreak in India
我们分析了2009年6月1日至9月30日期间印度甲型H1N1流感大流行的时间序列数据。使用各种统计拟合程序，我们得到了一个强大的估计指数增长率$\langle λ\rangle \simeq 0.15$。这对应于印度甲型H1N1流感病毒的基本再生数$R_0 \simeq 1.45$，该值位于受大流行影响的不同国家报告的数值范围的低端。
2010-06-03 physics.bio-ph q-bio.PE
Diffusive process under Lifshitz scaling and pandemic scenarios
我们在此建议通过一个连续有效模型来模拟COVID-19的活动和累积病例数据，该模型基于具有动态扩散系数的Lifshitz标度下的修正扩散方程。所提出的模型足够丰富，可以捕捉人类最近面临的复杂病毒扩散的不同方面。该模型是连续的，它必然会被解析和/或数值求解。因此，我们研究了两种可能的模型，其中与可能的污染类型相关的扩散系数被一些特定的配置文件捕获。这里导出的活跃病例曲线能够成功地描述德国和西班牙的流行行为。此外，我们还预测了COVID-19在巴西演变的一些情景。此外，我们描绘了COVID-19的累计病例曲线，再现了疫情在巴西圣保罗和圣若泽多斯坎波斯两个城市之间的传播。这些情景还揭示了封锁措施如何使污染曲线变平。我们可以找到最好的分布的扩散系数，更好地符合实际数据的流行。
2020-08-14 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
US faces endemic Covid-19 infections and deaths; ways to stop the pandemic
一个新的新型冠状病毒疫情模型已经构建并模拟了美国八个州。该模型的系数基于七个耦合微分方程，并根据记录的病例和死亡数据进行了仔细评估。这些预测表明，新冠肺炎将成为地方性疾病，传播时间将超过两年。如果居家令放宽，2021年大部分州可能会出现二次高峰。如果继续封锁，在大多数开放的州，新冠肺炎死亡人数本可以显著降低。此外，我们的模型预测，将接触率降低10%，或将检测增加约15%，或将封锁依从性（从目前的$\sim$ 15%）增加一倍，将在一年内消除德克萨斯州的感染。应用于整个美国，基于当前情况的预测表明，到2020年11月1日，总感染人数约为1100万（包括未发现的），累计确诊病例为800万，累计死亡人数为63万。
2020-07-21 physics.soc-ph q-bio.PE
Transmission Dynamics of COVID-19 Pandemic Non-pharmaceutical Interventions and Vaccination
非药物干预（NPI）在COVID-19大流行的早期控制中发挥重要作用。疫苗接种被认为是阻止SARS-CoV-2传播的必然途径。在此基础上，建立了一个带有NPI和疫苗接种的SVEIR模型.利用基本再生数$R_{0}$，证明了当$\mathscr{R}_{0}<1$时，无病均衡是全局吸引的，当$\mathscr{R}_{0}>1$时，COVID-19是一致持续的。以印度日期为例进行了数值模拟，发现我们的动力学结果与统计数据吻合得很好。因此，我们预测COVID-19疫情在印度的蔓延趋势。此外，我们的研究结果表明，提高NPI的强度将大大减少确诊病例的数量。特别是在疫苗效率相对较低的情况下，即使所有人都接种了疫苗，NPI也是必不可少的。通过模拟基本繁殖数$\mathscr{R}_{0}$、接种率和疫苗效力之间的关系，发现当疫苗效力低于$76.9\%$时，没有NPI就不可能实现群体免疫。因此，群体免疫区是由疫苗接种率和疫苗效力之间关系的演变来定义的。在对两个补丁的研究中，我们给出了印度和中国通航的条件。此外，印度和中国之间的人口的适当分散。讨论结束了论文。
2021-07-07 math.DS 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
Short-term forecasts of COVID-19 spread across Indian states until 1 May 2020
印度于2020年1月30日记录了首例冠状病毒疾病病例，感染病例数量（包括死亡人数）继续上升。在本文中，我们使用2020年1月30日至4月21日的实时数据，对印度28个邦和5个联邦直辖区的COVID-19进行了短期预测。应用霍尔特的二阶指数平滑方法和自回归综合移动平均（ARIMA）模型，我们对2020年4月22日至5月1日印度可能的感染病例和死亡人数进行了10天的预测。我们的结果显示，到2020年5月1日，印度的累计病例数将上升至36335.63 [PI 95%（30884.56，42918.87）]，同时死亡人数可能增加至1099.38 [PI 95%（959.77，1553.76）]。此外，我们还根据累计病例将该国划分为严重区域。根据这一分析，马哈拉施特拉邦可能是受影响最严重的邦，到2020年5月1日累计病例约为9787.24例[PI 95%（6949.81，13757.06）]。然而，喀拉拉邦和卡纳塔克邦可能会从红区（即高度受影响）转移到受影响较小的地区。另一方面，古吉拉特邦和中央邦将转移到红区。这些结果标志着到2020年5月3日可以放松封锁的州。
2020-05-07 q-bio.PE stat.CO
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
Study of genetic mutations and dynamic spread of SARS-CoV-2 pandemic and prediction of its evolution according to the SIR model
在这项工作中，我们的目标是研究的SARS冠状病毒-2流行病的累积数量的动力学行为可以提供信息的整体行为的传播在日常的时间，累积的数据可以合成的经验形式获得的易感-感染-传播（SIR）模型先前研究的欧几里德网络。从我们进行的研究中，我们可以得出结论，在欧几里德网络SIR模型可以重现来自几个国家的数据与给定的参数值的精度偏差。这让我们深入了解影响SARS-CoV-2行为的不同因子，特别是在病毒突变期间。因此，我们试图分析基因突变在不同国家的影响，以及特定突变如何使病毒更具传染性。
2020-11-13 q-bio.PE
A critique of the Covid-19 analysis for India by Singh and Adhikari
在最近的一篇论文（arXiv：2003.12055）中，Singh和Adhikari介绍了流行病学数学模型的分析结果，他们认为印度需要$49$日封锁来控制印度的流行病。我们断言，作为一个模型研究与所述的假设，本文中提出的分析是完全有效的，但是，任何严重的比较与实际数据和试图从模型预测是非常有问题的。本文件的要点是令人信服地确立这一论断，同时提出警告，即决策者不应从表面上看待这种数学模型的结果和分析，需要非常谨慎地使用。
2020-04-11 q-bio.PE
The Effects of Stringent Interventions for Coronavirus Pandemic
COVID-19疫情在全球范围内造成严重的公共卫生后果。COVID-19的许多干预措施已经实施。评估COVID-19大流行的干预措施的效果具有重大的公共卫生和社会重要性。本文采用综合控制方法、回归不连续性和SIHR模型，对温州市为控制疫情而实施的严格干预措施的横向和纵向效果进行了评估。我们发现，这些严格的干预措施具有统计学显著的治疗效果，减少了COVID-19的累计确诊病例。这些减少效应将随着时间的推移而增加。此外，如果严格的干预措施推迟2天或实施温和的干预措施，预计累计确诊病例数将接近实际数的2倍或5倍。严格的干预措施对缓解COVID-19疫情的效果显著。干预措施实施得越慢，流行病就会越严重，干预措施就会越有力。
2020-05-31 physics.soc-ph q-bio.PE stat.AP
SEIR and Regression Model based COVID-19 outbreak predictions in India
COVID-19疫情已成为该国的主要威胁。到目前为止，没有经过充分测试的药物或解毒剂可以治愈这种疾病。根据世卫组织的报告，COVID-19是一种严重急性呼吸系统综合征，通过呼吸道飞沫和接触途径传播。对这一疾病的分析需要政府给予极大的关注，采取必要步骤，减少这一全球流行病的影响。在这项研究中，分析了印度截至2020年3月30日的这种疾病的爆发情况，并预测了未来两周的病例数。SEIR模型及回归模型已根据于二零二零年一月三十日至二零二零年三月三十日期间从约翰霍普金斯大学储存库收集的数据进行预测。用RMSLE对模型的性能进行了评价，SEIR模型的性能达到1.52，回归模型的性能达到1.75。SEIR模型和回归模型之间的RMSLE误差率为2.01。此外，计算出疾病传播的R 0值为2.02。预计在未来两周内，病例可能会增加5000-6000例。这项研究将有助于政府和医生准备未来两周的计划。基于对短期间隔的预测，这些模型可以被调整用于长期间隔的预测。
2020-04-01 q-bio.PE
Mutations make pandemics worse or better: modeling SARS-CoV-2 variants and imperfect vaccination
自2020年12月以来，COVID-19的变种（特别是Delta和Omicron）出现了不同的特征，影响了世界各地的死亡和传播。为了解决新的动力学的疾病，我们提出了一个动力学模型的两个菌株，即本地和突变，突变和不完善的疫苗接种的传播动力学。还假设从天然菌株恢复的个体可以通过直接接触个体或污染的表面或气溶胶而感染突变菌株。我们独立计算每个菌株的基本繁殖数，并取$R_0$的最大值。利用中心流形理论证明了系统不存在后向分支，当基本再生数$R_0<1. An intermediate mutation rate $ v 1 $ leads to oscillations. When $ v 1 $增大到一定阈值时，系统恢复稳定，并表现出一种有趣的动力学现象-地方病泡.推导了疫苗诱导的群体免疫的解析表达式。该模型使用2021年3月1日至9月27日的COVID-19累计确诊病例和死亡人数的印度数据，使用MCMC方法进行参数化。通过提高疫苗对天然毒株和突变毒株的效力，可以减少累积病例和死亡。结果表明，以天然株疫苗效力为90%，累计病例数和死亡数分别减少3.27%和5.2%，以变异株疫苗效力为90%，累计病例数和死亡数分别减少0.9%和2.5%。我们的研究表明，由于某些突变率出现振荡，COVID-19大流行可能会更糟，但由于在较低感染水平下的稳定性和较大的突变率，情况会更好。
2022-01-17 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
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
Temporal and spatial evolution of the distribution related to the number of COVID-19 pandemic
该工作基于全球200多个国家于二零二零年四月至二零二二年六月期间的累计及每日确诊COVID-19病例及死亡人数，系统地进行数据分析。该研究旨在揭示COVID-19大流行中观察到的国家级分布的时间和空间演变，并获得了以下一些有趣的结果。(1)累计确诊病例数和死亡人数的分布在COVID-19的早期阶段服从幂律，在随后的过程中服从拉伸指数函数。(2)每日确诊病例数和死亡人数在COVID-19早期和晚期服从幂律分布，在中期服从拉伸指数函数分布。幂律和拉伸指数行为之间的交叉区域似乎取决于“感染”事件和“死亡”事件的演变。这种观察暗示了一种与COVID-19传播动力学过程相关的重要对称性。(3)各指标的归一化数的分布在2年内表现出时间尺度行为，并可用拉伸指数函数来描述。在这种国家一级的分布中观察到的幂律和拉伸指数行为表明，在人类相互联系的社会中，病毒传播过程的内在动力。因此，它对于理解和数学建模COVID-19大流行非常重要。
2022-08-23 physics.data-an 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
Analyzing COVID-19 pandemic with a new growth model for population ecology
我们提出了种群生态学的一种新的增长率形式。一般来说，增长率取决于特定时期的人口规模。我们引入了另一种与时间相关的增长率形式。这种形式满足描述种群增长的必要条件，可以作为生长模型分析种群动力学的一种替代形式。我们采用广义Richards模型作为准则来比较我们的结果。此外，我们已经将我们的模型应用于流行病的情况。为了检验模型的有效性，我们对2003年SARS数据进行了验证。该模型具有较好的准确性，估计了最终的流行规模。其后，我们拟描述目前的2019冠状病毒病疫情。我们对意大利、西班牙和德国的数据进行了分析。接下来，我们试图预测COVID-19病例的数量以及美国、英国和印度的转折点。
2020-04-27 physics.bio-ph q-bio.PE
Backtesting the predictability of COVID-19
H2O.ai（H2O.ai公司）
COVID-19疫情的到来在全球许多国家引发了前所未有的变化，给卫生部门带来了重大负担，影响了宏观经济状况，并改变了人口之间的社会互动。作为回应，学术界已经产生了多种预测模型，方法和算法，以最好地预测COVID-19的不同指标，例如确诊感染病例的数量。然而，研究人员几乎没有关于大流行的历史信息可供他们使用，以便为他们的预测方法提供信息。我们的工作研究模型在疫情不同阶段的预测表现，以更好地了解其基本不确定性以及数据可用性对此类预测的影响。我们使用253个地区自2020年1月22日至2020年6月22日期间的COVID-19感染历史数据，通过滚动窗口回溯测试框架预测未来7天和28天的累计感染病例数。我们实现了三个简单的模型来跟踪这6个月跨度内的均方根对数误差，一个总是预测累积确诊病例的最后已知值的基线模型，一个幂增长模型和一个称为SEIRD的流行病学模型。由于数据有限，在大流行的早期阶段，预测误差要高得多。在整个大流行期间，错误缓慢但稳步地消退。一个国家在任何时间点出现的确诊病例越多，预测未来确诊病例的误差就越小。我们强调建立严格的回溯测试框架的重要性，以准确评估此类模型在疫情爆发期间任何时间点的预测能力，从而可用于为这些预测分配正确的确定性水平，并促进更好的规划。
2020-07-22 cs.LG 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 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
A quantitative framework for exploring exit strategies from the COVID-19 lockdown
在许多国家采取了高度限制性措施以抗击目前的流行病之后，感染SARS-CoV-2的人数和相关的死亡人数正在稳步下降。这一事实，加上不可能无限期地维持封锁，提出了一个关键问题，即是否有可能根据定量分析设计一个退出战略。严格的数学结果的指导下，我们表明，这确实是可能的：我们提出了一个强大的数值算法，它可以计算的累积死亡人数，将发生的接触的数量增加了一个给定的倍数的结果，作为输入，只有最可靠的所有可用的数据在锁定期间，即累积死亡人数。
2020-08-03 physics.soc-ph 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
Modelling the impact of vaccination on the COVID-19 pandemic in African countries
疫苗的快速发展，以打击由SARS-CoV-2病毒引起的COVID-19疾病的传播是一项伟大的科学成就。在开发COVID-19疫苗之前，大多数研究都利用了不包括药物措施的现有数据。该等研究集中于非药物措施（例如社交距离、卫生、佩戴口罩及封锁）的影响，以研究COVID-19的传播。在这项研究中，我们使用了SIDARTHE-V模型，这是SIDARTHE模型的扩展，其中我们包括疫苗接种。我们研究了疫苗接种对非洲国家病毒严重性（致命性）的影响。模型参数是通过同时拟合加纳、肯尼亚、莫桑比克、尼日利亚、南非、多哥和赞比亚政府报告的COVID-19死亡、康复、活动病例和全面疫苗接种的累积数据来提取的。由于各国的疫苗接种计划存在一定程度的差异，我们考虑了疫苗接种运动对这些国家死亡率的影响。研究表明，随着每个国家疫苗接种程度的增加，累计死亡率急剧下降;虽然感染率有时会随着新一波的到来而增加，但死亡率并没有像我们在疫苗接种前看到的那样增加。
2022-11-10 q-bio.PE
Dynamic tracking with model-based forecasting for the spread of the COVID-19 pandemic
在本文中，我们使用了一个易感染-感染-清除（SIR）模型来跟踪COVID-19病毒在四个感兴趣的国家的传播演变。特别是，依赖于一些基本特征的流行病模型已被应用于对意大利、印度、韩国和伊朗疾病的时间演变进行建模。该病毒的传播对经济、社会和健康造成了灾难性后果。因此，必须开发现有的数学模型，并将其用于在公布的数据集和模型预测之间进行比较。从SIR模型估计的预测在这里，可以用于传播的定性和定量分析。它提供了对病毒传播的深入了解，而仅通过每天更新发布的数据和模型无法做到这一点。例如，使用我们的建模方法可以检测感染高峰的早期发作或第二波的发展。我们考虑了2020年3月至6月的数据，当时不同社区受到严重影响。我们展示了根据模型参数对2020年9月之前COVID-19传播的预测。通过比较已公布的数据和模型结果，我们得出结论，通过这种方式，可能更好地反映政府和个人为缓解和控制当前大流行而实施的适当措施的成功或失败。
2020-07-04 nlin.CD physics.soc-ph q-bio.PE
Age-structured impact of social distancing on the COVID-19 epidemic in India
新型冠状病毒COVID-19的爆发已被世界卫生组织宣布为大流行。社会接触的结构决定了感染的传播，在没有疫苗的情况下，通过大规模的社会隔离措施控制这些结构似乎是最有效的缓解手段。在这里，我们使用一个年龄结构SIR模型，并使用从调查和贝叶斯插补中获得的社会接触矩阵来研究印度COVID-19疫情的进展。基于案例数据、年龄分布和社会联系结构，计算了基本生育率R 0及其随时间的泛化。社会距离措施的影响-工作场所不出勤，学校关闭，锁定-和他们的效力与持续时间进行了调查。三周的封锁被认为不足以防止死灰复燃，相反，建议采取持续封锁和定期放松的协议。报告预测，由于采取了这些措施，按年龄划分的发病率和死亡率将有所下降。我们的研究强调了年龄和社会接触结构在评估缓解性社交距离对特定国家的影响方面的重要性。
2020-03-26 cond-mat.stat-mech q-bio.PE
Data-driven modeling reveals a universal dynamic underlying the COVID-19 pandemic under social distancing
我们发现，社交距离下的COVID-19大流行呈现出普遍的动态。感染和死亡的累积数量迅速从早期的指数增长过渡到较长时期的幂律增长，然后最终放缓。在最近的统计预测模型IHME的协议，我们表明，这种动态是很好地描述了电流变率函数。使用此函数形式，我们对具有非常不同的人口特征和社交距离政策的国家和美国各州执行数据崩溃，确认COVID-19爆发的普遍行为。我们表明，统计模型的预测能力是有限的，直到几天前曲线变平，预测死亡和感染假设目前的政策继续，并比较我们的预测IHME模型。我们目前的模拟表明，这种普遍的动力学是一致的无标度网络和随机网络与非马尔可夫传播动力学的疾病传播。
2020-04-21 physics.bio-ph q-bio.PE
Low case numbers enable long-term stable pandemic control without lockdowns
控制流行病的传统长期解决办法包括根除或人口免疫。在这里，我们分析得出存在第三个可行的解决方案：在低的情况下，测试跟踪和隔离政策部分补偿本地传播事件的稳定均衡，只有适度的限制仍然是必要的。在这种均衡状态下，每天的病例数稳定在每百万人10例左右或更少，但如果限制放松或病例数增长太高，稳定就会受到威胁。后一种不稳定标志着一个临界点，超过这个临界点，传播就会自我加速。我们表明，一个锁定可以重新建立控制和经常性的锁定是没有必要给予持续的，适度的接触减少。我们说明了这种策略如何从疫苗接种中获益，并有助于减轻人们关注的变异。这一策略比仅避免医院倒塌的策略减少了4倍的累积病例（和死亡人数）。从长远来看，免疫接种、大规模检测和国际协调将进一步促进控制。
2021-10-14 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
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$）的95% CI分别为160至220、110至130、59至62、46.6至47.3、54至63和16.0至16.7。我们对感染患病率的估计与美国和巴西进行的血清学研究的一些初步报告合理一致。该方法是根据实际数据估计感染曲线线形和相关参数不确定性的有…
2020-08-11 physics.soc-ph q-bio.PE
Predication of Inflection Point and Outbreak Size of COVID-19 in New Epicentres
截至2020年6月中旬，2019冠状病毒病（COVID-19）已导致超过800万人感染。最近，巴西已成为COVID-19的新震中，而印度和非洲地区是潜在的震中。这项研究的目的是通过借鉴其他国家“成熟”曲线的信息，在流行病早期预测这些新的/潜在的震中的拐点和爆发规模。在混合效应模型和幂变换后的四参数Logistic模型下，我们将累积病例建模为众所周知的S形增长曲线来描述流行趋势。非洲地区预计将有390万例（220万至600万）的最大总爆发规模，并将在2020年9月13日左右出现。预计巴西和印度的最终疫情规模相似，约为250万例（110万至430万），拐点分别于6月23日和7月26日到来。我们的结论是，在巴西、印度和非洲，COVI 19的流行尚未超过拐点;这些地区的疫情规模可能超过美国
2020-07-15 physics.soc-ph q-bio.PE stat.AP
A Data-Driven Control-Theoretic Paradigm for Pandemic Mitigation with Application to Covid-19
在本文中，我们介绍了一种新的控制理论范式，以减轻病毒的传播。为此，我们的离散时间控制器，旨在减少新的每日死亡人数，因此，累计死亡人数。与现有的许多文献相反，我们不依赖于一个潜在的复杂的病毒传播模型，其方程必须根据手头的流行病的“细节”进行定制。对于新型冠状病毒（如2019冠状病毒病），驱动建模过程的流行病学可能并不为人所知，数据有限的模型估计可能不可靠。考虑到这一动机，这里描述的新范式是数据驱动的，在很大程度上，我们通过集中在流行病常见的两个关键量来避免建模困难：倍增时间，由$d(k)$表示，高峰日由$θ(k)$表示。迄今为止，我们的数值研究表明，我们呼吁简单的模型可以提供一个合理的拟合真实数据。鉴于时间是至关重要的，在持续的全球健康危机，本文的目的是介绍这种新的模式来控制从业者，并描述了一些新的研究方向，我们目前的结果建议。
2020-08-14 q-bio.PE q-bio.QM
Optimal Vaccine Allocation for Pandemic Stabilization
如何战略性地分配可用疫苗是大流行控制的关键问题。在这项工作中，我们提出了一个最佳稳定疫苗分配的数学框架，我们的目标是用固定数量的疫苗剂量尽快将感染率降至零。该框架使我们能够有效地计算一般流行病传播模型（包括SIS/SIR/SEIR）和新的COVID-19传播模型的最优疫苗分配策略。通过将纽约州的真实数据与我们的框架相匹配，我们发现最优的稳定疫苗分配政策建议优先向易感人群和居民外出时间较长的地区提供疫苗。此外，我们发现优先向年轻人（20-29岁）和中年人（20-44岁）提供疫苗可以最大限度地减少累积感染病例和死亡病例。此外，我们比较了我们的方法与\cite{bubar2021model}中的五个年龄分层策略的流行病模型的基础上。我们还发现，当基本繁殖数$R_0$略高于1时，最好优先向年轻人提供疫苗，以遏制疾病并最大限度地减少死亡，这描述了COVID-19期间的大多数世界。这种现象在\cite{bubar2021model}中被忽略了。
2021-09-10 math.OC q-bio.PE
Impact of intervention on the spread of COVID-19 in India: A model based study
由严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）引起的2019冠状病毒病（COVID-19）的爆发已经在世界上几乎每个国家造成了紧急情况。该疾病于2019年12月在中国武汉首次发现后，在很短的时间内蔓延到世界各地。在印度，疫情始于2020年3月的$2^{nd}$，之后病例呈指数级增长。人口密度很高，没有特定的药物或疫苗，关于疾病传播机制的证据不足，也使印度很难适当地防治这种疾病。数学模型已被用于预测疾病动态，并评估干预策略在减少疾病负担方面的效率。在这项工作中，我们提出了一个数学模型来描述疾病在个体之间的传播机制。我们考虑了印度疫情的初始阶段，我们提出的模型适用于$2^{nd}$ 2020年3月至$24^{th}$ 2020年3月期间的每日累计新报告病例。根据上述期间的发病率数据，我们估计了基本再生产数$(R_0)$、有效再生产数（R（t））和流行倍增时间。我们进一步评估预防措施（如宣传、封闭、适当的手部消毒等）对减少新病例的影响。根据实施期间干预力度的变化情况，考虑了两种干预情景。我们的研究表明，在印度，需要更高的干预努力，以在更短的时间内控制疾病的爆发。此外，我们的分析表明，干预的力度应随着时间的推移而加强，以有效地根除疾病。
2020-04-10 math.DS q-bio.PE
Effective lockdown and role of hospital-based COVID-19 transmission in some Indian states: An outbreak risk analysis
印度有几份报告表明，医院和隔离中心是COVID-19的热点。在缺乏有效的接触者追踪工具的情况下，政府和政策制定者可能没有注意到医院传播的风险。为了进一步探索这一重要途径及其对封锁效应的可能影响，我们开发了一个基于医院传播的机制模型。我们使用来自六个邦（马哈拉施特拉邦、德里、中央邦、拉贾斯坦邦、古吉拉特邦和北方邦）和整个印度的每日通报的COVID-19病例，估计了模型的几个重要参数。此外，我们还提供了这七个地点的基本（$R_{0}$）、社区（$R_{C}$）和医院（$R_{H}$）生殖数量的估计。为了获得对未来COVID-19病例的可靠预测，使用BMA后处理技术将机械模型与混合统计模型集成。我们使用集合模型，预测2020年5月3日至2020年5月20日期间，在上述地点五种不同的封锁情况下，COVID-19通报病例（每日和累积）。我们对机制模型的分析表明，大多数新的COVID-19病例目前在上述七个地点未被发现。此外，对$R_{0}$的四个流行病学可测量\可控参数以及封锁效应的全球敏感性分析表明，如果不立即采取适当的预防措施，医院和隔离中心可能会引发更大规模的COVID-19疫情。在大多数地区，我们的集合模型预测显示，印度未来几周的COVID-19通报病例将大幅增加。根据我们的研究结果，我们提出了一项遏制政策，可能会减少未来几天更大规模COVID-19爆发的威胁。
2020-05-03 math.DS 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
Universality and herd immunity threshold : Revisiting the SIR model for COVID-19
截至二零二零年十一月一日，COVID-19疫情已在全球肆虐近一年。在本文中，我们试图根据对易感染-恢复（SIR）模型的一些修改来分析不同国家的COVID-19大流行的变化。SIR模型被修改，采取时间依赖的速率参数。在此基础上，重新定义了基本再生数、有效再生数、群体免疫力和群体免疫力阈值。COVID-19的再次爆发对各国构成真正的威胁。我们使用上述数量来寻找这种疾病再次爆发的原因。此外，群体免疫的有效性，以防止流行病已经分析了关于这个模型。我们还试图表明，在各国短时期内，该疾病的传播和遏制存在某些普遍性方面。最后，我们还分析了印度目前的流行情况，并试图讨论的可能性，以预测其未来的行为，使用我们的模型。
2021-09-25 physics.bio-ph q-bio.PE
Forecasting and evaluating intervention of Covid-19 in the World
当COVID-19大流行进入危险的新阶段时，是否以及何时采取积极的公共卫生干预措施以减缓COVID-19的传播。开发人工智能（AI）启发的方法，用于实时预测和评估干预策略，以遏制COVID-19在全球的传播。开发了一种改进的自动编码器，用于对流行病的传播动力学进行建模，并将其应用于截至2020年3月16日的世卫组织累计和新发新冠肺炎病例和死亡病例的监测数据。5步预测的平均误差为2.5%。后期干预（4周后实施综合公共卫生干预）全球累计病例和新增病例的总峰值数和最大累计病例数分别可达75，249，909例、10，086，085例和255，392，154例。案件终结时间为2021年1月10日。但干预一周后全球累计和新增病例总峰值数、累计最大病例数分别降至951,799例、108,853例和1,530,276例。新型冠状病毒传播的持续时间将从356天缩短至232天。案件终结时间为2020年9月8日。我们观察到，延迟干预一个月导致最大累积病例数增加了166.89倍，死亡人数从53,560人增加到8938725人。如果不立即采取干预行动，我们将面临灾难性后果。
2020-03-22 q-bio.PE
Analysis and Prediction of COVID-19 Pandemic in Pakistan using Time-dependent SIR Model
目前的疫情被称为冠状病毒病或COVID-19，由病毒SAR-COV-2引起，继续在全球范围内肆虐。世界卫生组织（WHO）已宣布此次疫情为国际关注的突发公共卫生事件。在巴基斯坦，随着感染人数和伤亡人数迅速增加，病毒的传播正在加剧。在缺乏适当疫苗接种和治疗的情况下，为了减少感染和伤亡人数，迄今为止唯一的选择是教育人们采取预防措施，并在全国范围内实施封锁。任何有关预防措施的策略都需要基于对COVID-19爆发的详细分析和准确的科学预测。在本文中，我们进行了数学和数值分析，以提出对巴基斯坦疫情的可靠和准确的预测。时间依赖的易感-感染-传播（SIR）模型用于拟合数据并提供未来预测。大流行高峰的转折点定义为传播率小于恢复率的那一天。我们预测，疫情将在5月下旬至6月9日达到最高峰，未治愈病例数在20000-47000之间，累计感染病例数在57500-153100之间。在封锁的情况下，自杀人数将保持在较低水平，但如果疫情的传播不被遏制和局部化，自杀人数可能迅速增加一倍或两倍。4月15日以后的单日预测不确定度在5%以内。
2020-05-10 q-bio.PE
Mathematical assessment of the impact of non-pharmaceutical interventions on curtailing the 2019 novel Coronavirus
2019年12月出现了一场新型冠状病毒大流行，对世界各地的公共卫生造成了毁灭性的影响。在缺乏安全有效的疫苗或抗病毒药物的情况下，减轻大流行病负担的战略侧重于非药物干预措施，如社交距离、接触者追踪、检疫、隔离和在公共场所使用口罩。我们开发了一个新的数学模型，用于评估人口水平的影响，这些缓解策略。该模型使用纽约州和整个美国的COVID-19传播相关数据进行模拟，显示疫情将分别在4月中旬和下旬达到高峰。如果实施的严格社交距离措施持续到2020年5月底或6月底，纽约州和整个美国的累计死亡率（基于研究中考虑的抗COVID非药物干预措施的基线水平）的最坏情况预测将分别大幅下降80%和64%。这项研究表明，提前终止严格的社交距离可能会引发毁灭性的第二波负担，类似于严格的社交距离开始之前的预测。如果纽约州至少有70%的居民持续使用有效的口罩（有效性大于70%），则使用有效的口罩（有效性大于70%）可能导致消除大流行（在全国范围内，使用此类口罩的合规率至少为80%）。使用低效能口罩，例如布口罩（效能低于30%），亦可大幅减少COVID-19的负担（尽管未能完全消除）。将低效口罩与提高其他抗COVID-19干预措施水平相结合，可以消除大流行。如果口罩的使用与严格的社交距离相结合，消除COVID-19所需的口罩覆盖率就会下降。
2020-04-24 q-bio.PE
Estimating excess mortality during the Covid-19 pandemic in Aotearoa New Zealand
University of Canterbury（坎特伯雷大学）；Stats NZ（新西兰统计局）；Australian Actuaries Institute Mortality Working Group（澳大利亚精算师协会死亡率工作组）
本文通过拟泊松回归模型估计新冠疫情期间新西兰的超额死亡率，发现2020-21年超额死亡率为负，2022-23年新冠死亡是主要贡献因素。
2025-12-20 q-bio.PE stat.AP
COVID-19 in South Asia: Real-time monitoring of reproduction and case fatality rate
由于COVID-19大流行造成的破坏在每时每刻都变得不可避免，因此监控和了解传播和死亡率对于遏制其传播变得更加重要。该分析的主要目的是报告南亚地区COVID-19的实时有效繁殖率（$R_t$）和病死率（CFR）。本研究的数据摘自JHU CSSE COVID-19数据源，截至2020年7月31日。使用指数增长和时间依赖性方法估计$R_t$。利用R语言的R 0程序包对已有的流行曲线进行拟合，估计出$R_t$。采用Naive和Kaplan-Meier方法估计病死率。由于COVID-19病例呈指数增长，印度、马尔代夫及尼泊尔的$R_t$估计大于1，因此疫情将随之而来。虽然与世界上其他高度受影响的地区相比，该地区的病死率较低，但仍强调要严格监测死亡情况，以改善卫生设施和病人护理。更多的区域合作和努力需要时间来尽量减少病毒的有害影响。
2020-08-10 q-bio.PE
Data-driven deep learning algorithms for time-varying infection rates of COVID-19 and mitigation measures
具有恒定参数的流行病学模型可能无法在大流行期间存在药物和非药物缓解措施的情况下捕获令人满意的感染模式，因为传染性是时间的函数。本文介绍了一种流行病学信息神经网络算法，用于在存在各种缓解方案的情况下学习COVID-19大流行的时变传播率。存在无症状感染者，大多数未报告，所提出的算法学习无症状感染者占总感染者的比例。使用累积和每日报告的有症状感染病例，我们模拟了非药物缓解措施（如早期发现感染者、接触者追踪和社交距离）对基本繁殖数的影响。我们证明了疫苗接种对COVID-19传播的有效性。在意大利、韩国、英国和美国的COVID-19数据的数据驱动模拟中，使用误差度量证明了所提出算法的准确性。
2022-05-13 q-bio.PE
What Can We Estimate from Fatality and Infectious Case Data using the Susceptible-Infected-Removed (SIR) model? A case Study of Covid-19 Pandemic
2019新型冠状病毒病（COVID-19）迅速蔓延，影响几乎所有国家，于2019年底首次报告。由于其高度传染性，世界各国都采取了极其严格的措施来控制其传播。自这场大流行病的最初阶段以来，学术界已经做了大量的研究，以了解这种疾病，开发药物，疫苗和测试，并模拟其传播。在这些研究中，大量的工作都是在早期阶段为受COVID-19影响的国家估计疫情参数，从而预测疫情的进程，但疫情过程中控制措施的变化使建模过程复杂化。本文利用早期资料讨论了基本再生产数的确定、传染期的平均持续时间、流行高峰时间的估计等问题。2020年1月22日至2020年4月18日期间，10个国家的每日病例报告和每日死亡人数使用易感-感染-删除（SIR）模型进行评估。对于每个国家，SIR模型拟合累积感染病例数据在5%的误差进行了分析。据观察，基本繁殖数和传染期的平均持续时间只能在流行病传播结束的情况下估计（在目前的情况下，中国和韩国）。然而，它表明，感染个体的比例的最大值和拐点的时间的时间可以鲁棒地估计从归一化的数据。通过将预测与实际数据进行比较来验证估计数，结果表明，只要保留封锁措施，除美国外，所有国家都实现了预测。
2020-07-10 q-bio.PE q-bio.QM
Evaluating the impact of quarantine measures on COVID-19 spread
在COVID-19大流行的早期阶段，许多国家实施了非药物干预措施（NPI）以控制COVID-19的病原体SARS-CoV-2的传播。在这些非传染性疾病中，检疫措施被广泛采用，并通过留在家中和就地避难令执行。了解检疫措施的有效性可以为当前COVID-19大流行期间和未来疾病爆发的决策和控制规划提供信息。在这项研究中，我们使用数学模型评估了2020年春季经历大规模疫情的四个城市（武汉、纽约、米兰和伦敦）的隔离措施对COVID-19传播的影响。我们建立了一个包含隔离成分的SEIR模型，并将该模型与数据同化方法相结合。通过根据病例数据校准模型，我们估计了每个城市封锁前的关键流行病学参数。我们使用模型模拟进一步研究封锁后隔离率对COVID-19传播的影响。结果表明，隔离易感和暴露的个人和未被发现的感染是必要的，以遏制疫情;然而，这些人群的隔离率可以通过更快地隔离确诊病例来降低。我们生成反事实模拟来估计隔离措施的有效性。如果没有隔离措施，在武汉、纽约、米兰和伦敦封锁后的40天内，累计确诊病例可能比报告的数字高出73、22、43和93倍。我们的研究结果强调了隔离在大流行早期阶段的重要作用。
2022-03-03 q-bio.PE
