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
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
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
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
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
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
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
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
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
Internet search effort on Covid-19 and the underlying public interventions and epidemiological status
疾病传播是一个复杂的现象，需要采取跨学科的办法。2019冠状病毒病在很短的时间内表现出全球空间传播，导致全球大流行。使用政府干预措施（如学校关闭、行动限制、国内和国际旅行限制、呆在家里的要求、口罩要求、财政支持措施）和流行病学变量（如新发病例和新发死亡病例）作为潜在解释协变量，分析了希腊以2019冠状病毒病为主题的一年每周时间尺度的网络搜索数据。使用机器学习分析了网络搜索对Covid-19的影响与16个解释协变量之间的关系。将网络搜索时间与相应的流行病学情况进行比较，以同一周的Rt表示。结果表明，训练后的模型在实际和预测的网络搜索努力之间表现出R2 = 91%的拟合。预测网络搜索努力的前五个变量是新的死亡人数，向非希腊国民开放国际边界，新病例，检测政策和内部流动的限制。网络搜索在Rt达到峰值的同一周达到峰值，尽管新的死亡或新病例在这些日期没有达到峰值，并且Rt很少在公共媒体上报道。由于网络搜索努力和Rt在2020年8月1日至15日（旅游旺季）达到峰值，因此讨论了这一点的影响。
2021-03-22 q-bio.PE q-bio.QM stat.AP
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
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
Generalised Gillespie Algorithms for Simulations in a Rule-Based Epidemiological Model Framework
基于规则的模型已成功用于代表COVID-19大流行的不同方面，包括个人的年龄、检测、住院、封锁、免疫力、传染性、行为、流动性和疫苗接种。这些规则为基础的方法是由化学反应的规则，传统上解决了数字与标准的Gillespie算法提出的背景下，分子动力学。当将反应系统类型的方法应用于流行病学时，由于问题的时间依赖性，需要Gillespie算法的概括。在这篇文章中，我们提出了标准Gillespie算法的不同概括，这些算法解决了离散的子类型（例如，结合人口的年龄结构），时间离散更新（例如，结合每日强制的用于封锁的速率变化）和确定性延迟（例如，给定等待时间，直到发生诸如从隔离释放的类型的特定改变）。该等算法辅以COVID-19疫情背景下的相关实例及数值结果。
2022-10-24 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
Inferring change points in the COVID-19 spreading reveals the effectiveness of interventions
随着COVID-19在全球迅速蔓延，短期建模预测为遏制和缓解策略的决策提供了时间关键的信息。短期预测的一个主要挑战是评估关键的流行病学参数，以及当第一次干预措施显示效果时这些参数如何变化。通过将一个已建立的流行病学模型与贝叶斯推断相结合，分析了新感染有效增长率的时间依赖性。聚焦于COVID-19在德国的传播，我们发现有效增长率的变化点与公开宣布的干预措施的时间密切相关。因此，我们可以量化干预措施的效果，并将相应的变化点纳入对未来情景和病例数的预测中。我们的代码是免费提供的，可以随时适应任何国家或地区。
2020-05-04 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
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
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
SIR Model for COVID-19 calibrated with existing data and projected for Colombia
在本文中，我们开发了一个SIR流行病学模型，其参数是根据撰写本文时（2020年3月24日）的现有数据计算的;数据来自意大利，韩国和哥伦比亚，然后使用该模型来预测哥伦比亚COVID-19疫情在不同情景下的演变，使用该国的人口数据和模拟开始时的已知初始条件。
2020-09-24 q-bio.PE
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
Cumulated burden of Covid-19 in Spain from a Bayesian perspective
这项工作的主要目标是估计自治区在2020年1月31日/2020年6月1日期间西班牙的COVID-19实际病例数。根据这些估计，这项工作使我们能够准确地重新估计该疾病在西班牙的致命性，同时考虑到未报告的病例。最近在文献中提出的分层贝叶斯模型已被改编为西班牙Covid-19病例的实际数量模型。这项工作的结果表明，在所考虑的时期内，西班牙的Covid-19实际负荷远高于公共卫生系统登记的数据。具体而言，模型估计显示，截至2020年6月1日，西班牙累计有2，425，930例新冠肺炎病例，其特征与报告的病例相似（95%可信区间：2，148，261 - 2，813，864），其中实际登记的病例仅为518，664例。考虑到第二波西班牙血清阳性率研究的结果，该研究估计在所考虑的时间段内，西班牙产生了2，350，324例Covid-19病例，可以看出该模型提供的估计值相当不错。这项工作清楚地表明，在应对大流行病的关键背景下，拥有高质量的数据对优化决策至关重要。
2020-07-30 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
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
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
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
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
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
Vaccination compartmental epidemiological models for the delta and omicron SARS-CoV-2 variants
本文面向 delta 与 omicron 变异株构建纳入疫苗接种的仓室流行病学模型，并利用安达卢西亚和瑞士的死亡及住院数据验证其拟合与预测能力。
2023-04-20 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
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization
University of Minnesota（明尼苏达大学）；IQVIA（艾昆纬）；University of Virginia（弗吉尼亚大学）；Temple University（天普大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
准确预测COVID-19等流行病的传播对实施有效的缓解措施至关重要。在这项工作中，我们开发了一个张量方法来预测多个地区同时流行趋势的演变。我们构造了一个3向时空张量（位置，属性，时间）的情况下计数，并提出了一个非负张量分解与潜在的流行病学模型正则化命名为STELAR。与标准的张量分解方法，不能预测板坯提前，STELAR使长期预测，通过一个系统的离散时间差分方程的广泛采用的流行病学模型，将潜在的时间正则化。我们使用潜在的而不是位置/属性级别的流行病学动态来捕获常见的流行病学特征子类型，并改善协作学习和预测。我们使用县级和州级COVID-19数据进行实验，并表明我们的模型可以识别流行病的有趣潜在模式。最后，我们评估了我们的方法的预测能力，与基线相比表现出优越的性能，县级预测的均方根误差降低了21%，平均绝对误差降低了25%。
2021-03-17 cs.LG q-bio.PE
Study of COVID-19 anti-pandemic strategies by using optimal control
在这项研究中，我们提出了一个新的流行病学模型，从确认和未报告的污染。我们还计算了均衡，并研究了它们的稳定性，没有干预策略。最优控制理论已被证明是一个成功的工具，在理解如何减少传染病的传播，通过设计最佳的疾病干预策略。我们调查了隔离、病例发现和病例控制的影响，同时，我们最大限度地减少了感染和死亡人数。该方法包括通过一些策略最小化与传染性，死亡和控制相关的成本函数，以减少COVID 19疫情的传播。
2020-08-09 q-bio.PE
Deep Dynamic Epidemiological Modelling for COVID-19 Forecasting in Multi-level Districts
Shanghai Jiao Tong University（上海交通大学）；Shenzhen University（深圳大学）；Shanghai Jiao Tong University Affiliated Sixth People’s Hospital（上海交通大学附属第六人民医院）；The Ohio State University（俄亥俄州立大学）；The University of Sydney（悉尼大学）
针对 COVID-19 在多层级区域的预测，提出深度动态流行病学（DDE）方法，融合 SEIR 方程与深度学习，实现高精度拟合与机制可视化，优于传统参数估计及多种学习方法。
2023-06-21 cs.AI cs.LG q-bio.PE
Estimating the number of COVID-19 infections in Indian hot-spots using fatality data
在印度，COVID-19感染人口尚未准确确定。与任何流行病的早期阶段一样，需要首先检测严重病例，这意味着尚未对无症状或轻度亚临床症状的人群进行分析。使用死亡人数和先前估计的疾病进展参数，我们对感染人口进行统计估计。倍增时间是影响这些估计值的关键未知输入参数，并且可能因地理位置而异。我们提出了一种在几天内估计不同地点COVID-19流行病学参数的方法，从而增加了衡量公共卫生干预措施成功与否所需的信息
2020-04-07 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
Using posterior predictive distributions to analyse epidemic models: COVID-19 in Mexico City
流行病学模型包含一组参数，必须根据现有的观察结果进行调整。一旦模型被校准，它可以被用作预测工具来进行预测和评估应急计划。通常只采用点估计来进行这种预测。然而，某些模型可能会在很宽的参数值范围内合理地拟合相同的数据，这种灵活性意味着源自此类模型的预测将有很大的差异，这取决于在给出良好拟合的范围内采用的特定参数值。当数据不足或不完整时，模型的不确定性会进一步扩大。规避这个问题的一种方法是使用贝叶斯统计来合并观测值，并使用后验分布中包含的全部参数估计值来调整模型预测中的不确定性。具体来说，给定流行病学模型和观测值的概率分布，我们使用模型参数的后验分布通过后验预测分布生成所有可能的流行病学曲线。从所有曲线的包络线中，可以提取最坏的情况，并根据这一评估研究实施应急计划的影响。我们将这种方法应用于墨西哥城COVID-19的潜在演变，并评估应急计划是否成功以及流行病学曲线是否平坦。
2020-05-15 physics.soc-ph q-bio.PE
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
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 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
An age-structured SVEAIR epidemiological model
本文提出一个应用于 COVID-19 的年龄结构 SVEAIR 传染病仓室模型，通过构建 Lyapunov 函数研究了其适定性及基于基本再生数的全局动力学。
2023-11-27 math.AP math.DS physics.soc-ph
Cost-effectiveness Analysis of Antiepidemic Policies and Global Situation Assessment of COVID-19
本文利用双层接触-扩散模型和中国的数据，分析了常规流行病控制、本地社会互动控制和城市间旅行限制三种抗疫措施的成本效益。我们发现：1）在国家层面上，城际旅行限制与其他两项相比，影响最小甚至是负面的; 2）达到转折点的时间与当前的病例数无关，只与流行病控制和社会交往控制措施的执行严格程度有关; 3.早期的强力执法是最大限度地提高抗疫效果和成本效益的唯一机会;（4）社会交往措施的一般严格性是最差的选择。随后，我们根据各国/各区域的控制措施将其分为四组，并为每组提供情况评估和政策建议。
2020-04-23 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
Agent-based modeling of COVID-19 outbreaks for New York state, UK and Novosibirsk region
本文使用Covasim（COVID-19的基于代理的模型（ABM））来评估纽约州（美国），英国和新西伯利亚地区（俄罗斯）的流行病传播情况。传染性（病毒传输速率）、初始感染人数和接受检测的概率等流行病学参数取决于该地区的人口和地理特征，以及所采取的遏制措施;这些参数根据相关地区COVID-19传播的数据进行校准。在我们研究的第一阶段，分析了上述每个地区的流行病学数据（检测人数、诊断人数、危重病例、住院人数和死亡人数）。这些数据的特征在于季节性，平稳性和依赖空间，并使用机器学习技术外推，以指定模型的未知流行病学参数。在第二阶段，Optuna优化器基于树Parzen估计方法的目标函数最小化应用于确定模型的未知参数。该模型已使用2020年的历史数据进行验证。纽约州、英国及新西伯利亚地区的COVID-19传播模拟结果显示，若保持检测及遏制措施水平，纽约州及新西伯利亚地区的阳性病例数于二零二一年三月将维持不变，而英国则会减少。由于新西伯利亚地区数据的特点（两个数据集被描述为概率为1的平稳序列），住院人数的预测精度相对较高，但新冠肺炎病例的预测精度较低。
2021-06-23 math.DS math.OC 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
Quantifying Inaccuracies in Modeling COVID-19 Pandemic within a Continuous Time Picture
通常，对COVID-19大流行预测的数学模拟研究是基于确定性微分方程，该方程假设各种流行病学类别中的个体数量（$n$）和它们所依赖的时间（$t$）都是连续变化的量。这一情况与$n$和$t$的离散表示形成对比，后者是根据每日感染病例数报告的真实流行病学数据的基础，基于有限差分方程的描述将更合适。采用逻辑增长框架，本文提出了一个定量分析的错误所引入的连续时间描述。该分析表明，尽管流行病学曲线最大值的高度基本上不受影响，但在连续时间表示中获得的位置$T_{1/2}^{c}$相对于在离散时间表示中预测的位置$T_{1/2}^{d}$在时间上系统地向后移动。相反，与直觉相反，这种时间偏移$τ\equiv T_{1/2}^{c} - T_{1/2}^{d} < 0$的幅度基本上对感染率$κ$的变化不敏感。对于在极端情况下（时间呈指数增长和完全封锁）从COVID-19数据推导出的广泛$κ$值，我们发现了相当稳健的估计值$τ\simeq -2.65\,\mbox{day}^{-1}$。在没有任何特定假设的情况下获得，本数学结果适用于一般的逻辑增长，而不限于特定的实际系统。
2020-09-04 physics.bio-ph physics.soc-ph q-bio.PE
Can a latent Hawkes process be used for epidemiological modelling?
Imperial College London（伦敦帝国理工学院）
了解COVID-19的传播一直是众多研究的主题，突出了可靠的流行病模型的重要性。在这里，我们介绍了一种新的流行病模型，使用时间协变量的潜在Hawkes过程建模的感染。与其他模型不同的是，我们通过由潜在的霍克斯过程驱动的概率分布对报告的病例进行建模。通过Hawkes过程对感染进行建模，使我们能够估计受感染个体被谁感染。我们提出了一个核密度粒子滤波器（KDPF）的推理的潜在情况下，再生数和预测的新情况下，在不久的将来。计算工作量与感染的数量成比例，使得可以使用粒子滤波器类型的算法，例如KDPF。我们在英国各地方当局的合成数据集和COVID-19报告病例上展示了所提出算法的性能，并将我们的模型与替代方法进行了基准测试。
2022-08-15 cs.LG q-bio.PE stat.ME
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
Optimal Vaccination and Treatment Strategies in Reduction of COVID-19 Burden
在这项研究中，我们制定了一个数学模型，其中纳入了COVID-19的年龄特异性传播动力学，以评估疫苗接种和治疗策略在降低COVID-19负担规模方面的作用。首先，我们建立了模型解的正性和有界性，并计算了基本再生数。然后，我们制定了一个最优控制问题，疫苗接种和治疗作为控制变量。最佳的疫苗接种和治疗政策进行了分析，与疫苗接种的成本和不同的传染性水平的权重常数的不同值。这些研究结果表明，联合策略（疫苗接种和治疗）在最大限度地减少感染和疾病引起的死亡率方面效果最好。为了最大限度地减少COVID-19感染和COVID-19导致的死亡，据观察，最佳控制策略应优先考虑年龄大于40岁的人群。在轻度流行（$R_0 \in (0, 2)$）情况下，单独策略和联合策略之间没有太大差异。对于较高的$R_0 (R_0 \in (2, 10))$值，发现组合策略在最小化总体感染方面是最好的。还分析了不同疫苗效力的感染曲线，发现疫苗效力越高，感染和COVID诱导的死亡人数越少。
2021-02-19 math.DS physics.soc-ph q-bio.PE
Demography-independent behavioural dynamics influenced the spread of COVID-19 in Denmark
本文基于丹麦 23 个月全国代表性每日调查，发现跨人群行为可归纳为通用特征，并利用这些特征改进 COVID-19 新增感染的深度学习预测。
2025-03-14 physics.soc-ph q-bio.PE
A novel comparison framework for epidemiological strategies applied to age-based restrictions versus horizontal lockdowns
本研究提出流行病学策略的严格定义和系统比较方案，利用年龄结构舱室模型与文献数据，评估年龄限制与横向封锁的有效性，发现两者在低或中等强度下效果相当。
2024-07-17 math.DS q-bio.PE
EpiBeds: Data informed modelling of the COVID-19 hospital burden in England
COVID-19大流行的第一年对英格兰的国家医疗系统造成相当大的压力。为了预测当地流行病对英格兰医院能力的影响，我们使用了各种数据流来告知医院进展模型的构建和参数化，该模型与广义流行病模型相结合。我们将这个模型命名为EpiBeds。来自部分完整的患者路径行列表的数据用于提供个人在不同医院隔间中花费的平均持续时间的初步估计。然后，我们使用医院占用率和医院死亡率的完整数据拟合EpiBeds，从而能够估计遵循不同临床路径的个体比例以及广义流行病的繁殖数量。EpiBeds的构建可以直接适应英国以外的不同患者路径和环境。作为英国应对疫情的一部分，EpiBeds每周向NHS提供英格兰、威尔士、苏格兰和北爱尔兰医院床位占用率和入院率的预测。
2021-10-12 q-bio.PE stat.AP
On the Estimation of the Time-Dependent Transmission Rate in Epidemiological Models
本文研究将非参数SEIR COVID-19模型纳入反问题正则化框架以估计时变传播率，证明相关算子的连续性、可微性和单射性，并通过Tikhonov正则化建立解的存在性与稳定性，数值实验验证了估计精度。
2024-12-27 cs.NA math.NA q-bio.PE
Bayesian data assimilation for estimating epidemic evolution: a COVID-19 study
流行病学参数的演变，如瞬时繁殖数Rt，是了解传染病的传播动力学的重要。目前时变流行病学参数的估计经常面临的问题，如滞后的观察，平均推理，和不正确的量化的不确定性。为了解决这些问题，我们提出了一个贝叶斯数据同化框架的时变参数估计。具体来说，这个框架被应用到Rt估计，从而在国家的最先进的DARt系统。利用DARt，通过将观测延迟纳入感染和Rt的联合推断来解决由滞后观测引起的时间不对准;通过即时更新新观测和开发捕获突变的模型选择机制来克服平均的缺点;通过采用贝叶斯平滑来量化和减少不确定性。我们验证了DARt的性能，并展示了其在揭示COVID-19传播动态方面的能力。所提出的方法提供了一个有前途的解决方案，准确和及时地估计传输动态报告的数据。
2021-10-24 physics.bio-ph physics.soc-ph q-bio.PE
Adaptive Mesh Refinement and Coarsening for Diffusion-Reaction Epidemiological Models
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。疾病传播可以被建模为房室模型，其中所研究的人群被划分为房室，并假设从一个房室到另一个房室的转移的性质和时间速率。通常，它们由时间上的常微分方程（ODE）系统组成。一类这样的模型考虑了易感、暴露、感染、感染和死亡人群，即SEIRD模型。然而，这些模式并不总是考虑到个人从一个地区到另一个地区的流动。在这项工作中，我们将SEIRD分区模型的公式扩展到偏微分方程的扩散-反应系统，以捕获COVID-19的连续时空动态。由于病毒的传播不仅是通过扩散，我们在方程组中引入了一个源项，代表旅行归来的暴露人群。我们还增加了各向异性非均匀扩散的可能性。我们实现了整个模型在\texttt{libMesh}，一个开放的有限元库，提供了一个框架，多物理场，考虑自适应网格细化和粗化。因此，该模型可以表示多个空间尺度，使分辨率适应疾病动态。我们验证我们的模型与标准SEIRD模型，并显示了几个例子，突出本模型的新功能。
2020-10-23 physics.soc-ph q-bio.PE
