COVID-19 reproduction number estimated from SEIR model: association with people's mobility in 2020
本文是在世界范围内对两个流行病学问题的探索性研究。疾病传播的速度有多快？对人们的限制（特别是行动限制）是否带来了预期的效果？为了回答第一个问题，我们提出了一个工具，估计再现数的流行病（继发感染的数量$R_t$）的SEIR模型的基础上，并将其与非模型$R_t$估计。为了衡量不同国家COVID-19的$R_t$，从约翰霍普金斯大学系统科学与工程中心（CSSE）检索了冠状病毒感染、康复和死亡的每日病例的实时数据。为评估2020年COVID-19疫情期间流动限制措施的有效性，我们列出了$R_t$与人们流动性之间的相关性（基于Apple流动性指数）。考虑了12个国家的相关性，其中大多数国家的相关性为负。这表明在实施流动限制方面出现了延迟--各国实施这些限制是为了应对新冠肺炎病例的增长，而不是为了预防。
2021-08-27 cs.SI physics.soc-ph q-bio.PE
Temporal evolution of the Covid19 pandemic reproduction number: Estimations from proximal optimization to Monte Carlo sampling
监测Covid 19大流行的演变是卫生政策设计的关键一步。然而，由于公共卫生当局提供的数据质量有限（尤其是缺失数据、异常值和伪季节性），在大流行期间评估大流行强度仍然是一项具有挑战性的任务，这需要在估计之前进行繁琐和临时的预处理（去噪）。最近，估计的繁殖数，衡量流行病的强度，制定了一个反问题，结合数据模型的保真度和时空规律性的约束，解决了非光滑凸邻近最小化。尽管前景看好，但该公式在Covid 19数据和置信度评估的有限质量下缺乏稳健性。目前的工作旨在解决这两个局限性：首先，它讨论了解决方案，以产生一个强大的评估大流行的强度占低质量的数据直接在反问题的制定。其次，利用反问题公式的贝叶斯解释，它设计了一个蒙特卡洛抽样策略，针对非光滑对数凹后验分布，以产生相关的可信区间估计Covid 19再现数。临床相关性应用于约200个国家卫生当局公开的每日新发感染计数，拟议程序允许对Covid 19大流行强度的时间演变进行可靠评估，并每天自动更新。
2022-02-11 physics.soc-ph q-bio.PE stat.AP
Control Efficacy on COVID-19
我们提出了一个Monte-Carlo方法来估计时间再生数没有完整的信息，所有情况下的症状发作。省一级的分析显示，中国对COVID-19的控制措施取得了巨大成功，即各省的生育数在采取行动后仅一周就迅速降至<1。
2020-02-29 physics.data-an physics.soc-ph q-bio.PE
COVID-19: Nowcasting Reproduction Factors Using Biased Case Testing Data
及时估计COVID-19复制因子$R$的当前值已成为为管理策略提供信息的主要目标。$R$是政策制定者在设定缓解水平时使用的一个重要衡量标准，对于准确模拟疫情进展也很重要。本文简要介绍了一种从有偏测试数据中估计$R$的方法。使用测试数据，而不是住院或死亡数据，提供了症状进展量表的早期指标。这在抗击传染病的指数性质时非常重要。我们开发了一个实用的估计量，并将其应用于苏格兰案例测试数据，以推断$0.74$的当前（2020年5月20日）$R$值，$95\%$置信区间为$[0.48 - 0.86]$。
2020-05-25 physics.med-ph physics.soc-ph q-bio.PE
Covid-19 spread: Reproduction of data and prediction using a SIR model on Euclidean network
我们研究了中国COVID-19疫情的累积和每日病例数数据。累积数据可以拟合到从先前在欧几里德网络上研究的易感-感染-去除（SIR）模型获得的经验形式。绘制的情况下，从中国和意大利的震中距离的数量，我们发现一个近似的幂律变化与指数$\sim 1.85$强烈显示空间依赖性起着关键作用，模型中包含的一个因素。我们在这里报告说，SIR模型的Eucledean网络可以重现与高精度的数据，为中国给定的参数值，也可以预测，当流行病，至少在当地，可以预期结束。
2020-03-16 cond-mat.stat-mech physics.soc-ph q-bio.PE
Mathematical Modeling of COVID-19 Transmission Dynamics with a Case Study of Wuhan
我们提出了一个COVID-19疾病传播的房室数学模型，特别关注超级传播者个体的传播率。我们计算了基本再生数阈值，研究了无病平衡点在基本再生数下的局部稳定性，并研究了模型对每个参数变化的敏感性.数值模拟显示了所提出的COVID-19模型对中国武汉爆发的适用性。
2020-04-22 physics.soc-ph q-bio.PE
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
Transparent Covid-19 prediction
我们提出了一种非常简单和透明的方法来解释确诊的COVID-19病例的时间序列。粗略地说，对每周每天新增感染病例的分析是界定和及早发现疫情转折点的工具。在意大利，新型冠状病毒活动的增长在一周前被克服，奥地利和瑞士紧随其后。本说明强调了从感染到将感染列入中央数据库之间的两周这一至关重要的延迟。我们对新型冠状病毒活动和繁殖率的时间进程的估计可以将信息差距缩短数天。我们表明，西班牙和德国已经超越了转折点。一般而言，估计繁殖率在主要封锁措施后短时间内变得低于临界值，其后Covid-19活动开始减少。这份说明对所有采取了严格控制措施的区域的前景表示非常乐观。
2020-04-08 physics.soc-ph q-bio.PE
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
A sequential Monte Carlo approach to estimate a time varying reproduction number in infectious disease models: the Covid-19 case
在最初几个月，新冠肺炎疫情要求大多数国家实施一系列复杂的非药物干预措施，以控制病毒在人群中的传播。为了能够迅速作出决定，有必要详细了解目前的情况。对随时间变化的瞬时繁殖数量的估计代表了一种实时量化病毒传播的方法。它们通常通过流行病的数学分区模型来定义，如随机SEIR模型，其参数必须从多个流行病学数据的时间序列中估计。由于非常高维的参数空间（部分原因是传播模型中的随机性）以及不完整和延迟的数据，推断非常具有挑战性。我们提出了模型的状态空间形式化和序贯蒙特卡罗方法，该方法允许在每日住院和阳性检测发生率的基础上，以足够的精度估计挪威Covid-19疫情的每日变化繁殖数。该方法在挪威经常使用，是流行病监测和管理的有力工具。
2022-01-19 q-bio.PE
Statistical methods used to combine the effective reproduction number, R(t), and other related measures of COVID-19 in the UK
在最近的COVID-19大流行中，广泛的流行病学建模方法被用于预测有效繁殖数R（t）和其他COVID-19相关指标，如每日指数增长率r（t）。这些候选模型使用不同的建模方法或关于空间或年龄混合的不同假设，有些模型捕捉到了对疾病动态的科学理解中真正的不确定性。使用适当的统计方法学从多个候选模型中组合估计值对于更好地理解这些结果测量的变化以帮助为决策提供信息非常重要。在本文中，我们结合这些估计为特定的英国国家和地区使用随机效应荟萃分析技术，利用限制极大似然法（REML）估计的异质性方差参数，和两种方法来计算联合估计的置信区间：标准的Wald型区间;和Knapp和Hartung（KNHA）的方法。由于这一背景下的估计数是使用模型预测得出的，每个模型预测的不确定性程度不同，因此与更标准的逆方差加权相比，更倾向于采用相等的加权，以避免可能对提供不确定性程度较低的估计数的模型进行加权，因为这些模型没有充分考虑到固有的不确定性。利用这些荟萃分析技术，可以计算关键COVID-19结果指标的统计学稳健的综合估计。这反过来又可以根据所有可用信息做出及时和明智的决策。
2021-08-12 physics.soc-ph q-bio.PE stat.AP
Monitoring the spread of COVID-19 by estimating reproduction numbers over time
为了控制目前2019年冠状病毒病的爆发，需要对疫情进行持续监测，因为截至目前，还没有针对它的疫苗或抗病毒药物。我们在https://stochastik-tu-ilmenau.github.io/COVID-19/上提供每日更新的繁殖数量估计。在本文中，我们描述了我们正在使用的估计量，该估计量是在（Fraser 2007）中开发的，推导出其渐近性质，并详细介绍了其实现。此外，我们验证了模拟数据上的估计，证明了真实数据上的估计导致合理的结果，并进行了敏感性分析。最后，我们讨论了为什么获得的估计需要小心解释。
2020-04-18 q-bio.PE stat.AP stat.ME
A time series method to analyze incidence pattern and estimate reproduction number of COVID-19
2019年底，中国武汉爆发了持续的冠状病毒病（COVID-19）大流行。它已经影响了30多万人，全球死亡人数接近13000人。由于它对全球公共卫生构成巨大威胁，因此确定该疾病的传播速度至关重要。在这项研究中，我们提出了一个时间序列模型来分析COVID-19疫情发生率的趋势模式。我们还将有关全面或部分封锁的信息（如有）纳入模型中。该模型结构简洁，并使用适当的诊断措施，我们表明，一个时间依赖的二次趋势成功地捕捉疾病的发病率模式。我们还估计了不同国家的基本再生产数，发现除了美国之外，其他国家的基本再生产数是一致的。上述统计分析有助于了解疫情的发展趋势，并有助于了解一个地区所处的流行病学阶段。这有可能有助于促进不同国家应对COVID-19疫情的政策。
2020-03-24 q-bio.PE stat.AP
Reproduction Numbers R_0, R_t for COVID-19 Infections with Gaussian Distribution of Generation Times, and of Serial Intervals including Presymptomatic Transmission
Max-Planck Institute for Multidisciplinary Sciences（马克斯·普朗克多学科科学研究所）
本文针对 COVID-19 症状前传播导致序列间隔出现负值的问题，构建含显式下截断的高斯分布 Lotka-Euler 方程，以更准确地估计再生数 R_0 和 R_t。
2025-11-06 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
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
A new estimation method for COVID-19 time-varying reproduction number using active cases
我们提出了一种新的方法来估计新型冠状病毒病（COVID-19）的时变有效（或瞬时）繁殖数。该方法是基于离散时间随机增广的房室模型，描述了病毒的传播。一个两阶段的估计方法，它结合了扩展卡尔曼滤波器（EKF），估计报告的状态变量（活动和删除的情况下）和一个低通滤波器的基础上合理的传递函数，以消除短期波动的报告的情况下，使用的情况下，假设遵循高斯分布的不确定性。我们的方法不需要关于序列间隔的信息，这使得估计过程更简单，而不会降低估计的质量。我们表明，所提出的方法是比较常见的方法，例如，基于年龄结构和新病例的序贯贝叶斯模型。我们还将其应用于斯堪的纳维亚国家的COVID-19病例：丹麦，瑞典和挪威，这些国家的阳性率低于世卫组织建议的5%。
2022-04-26 q-bio.PE q-bio.QM
Calculation of a local COVID-19 reproduction number for the northern Rhineland-Palatinate
自2020年3月冠状病毒大流行开始以来，除了每日感染数字（新感染和总感染）外，德国还指定了描述疾病传播的各种参数，这些参数也用于政治决策。除了超额死亡率和每周发病率外，还包括倍增时间$T_2$和繁殖数$R_t$。关于后者，可以在罗伯特-科赫研究所的网站上找到各种估计数，见\cite{EstR:RKI}，这些估计数是根据德国全国的病例数计算出来的;这里不考虑地方差异。在本文中，RKI在地方一级的计算检查使用北莱茵兰-普法尔茨州及其地区的例子。此处，不是报告日期而是疾病发作用作计算$R_t$的参考。对于发病时间未知的病例，首先将调整后的广义极值分布拟合到报告延迟（发病时间与报告日期之间的差异）可用的数据，并检查进一步的特征，如当地和人口统计学差异。GEV分布用于计算不完整数据点的报告延迟。对2月底至10月底期间每日$R_t$值的计算表明，与全国数字相比，生殖率的变化趋势相似。预计在夏季观察到较大的统计波动，主要是由于病例数较低。自9月中旬以来，莱茵兰-普法尔茨北部的数值一直高于$1$。计算也可以转移到其他地区和行政区。
2020-11-17 physics.soc-ph q-bio.PE
Cost Effective Reproduction Number Based Strategies for Reducing Deaths from COVID-19
在流行病学中，有效繁殖数$R_e$被用来表征流行病爆发的增长率。在本文中，我们研究了$R_e$在美国德克萨斯州休斯顿市的COVID-19的改进SEIR模型中的性质，其中人口被分为低风险和高风险亚群。$R_e$的两种类型的控制措施（测试和距离）适用于两个不同的亚群的响应的特点。一个非线性成本模型用于控制措施，包括收益递减的影响。我们提出了三种旨在减少$R_e$的缓解COVID-19的启发式策略，并展示了策略实施成本和死亡人数之间的权衡。我们还考虑了每种策略的两种变体：基本策略，只考虑控制对$R_e$的影响，而不考虑亚群;高风险优先策略，最大限度地控制高风险亚群。结果表明，三种启发式策略类型中，最具成本效益的是为$R_e$设定目标值，并应用足够的控制来实现该目标值。这种启发式的策略，开始与整个人口的严格距离，后来增加测试。最大限度地控制高风险个体的战略比强调降低疾病传播速度的基本战略成本效益低。该模型表明，推迟开始控制措施超过一定的时间点，大大降低了战略的结果。我们的结论是，有效繁殖可以是一个有价值的实时指标，在确定成本效益的控制策略。
2021-04-19 q-bio.PE
A model for COVID-19 and bacterial pneumonia coinfection with community- and hospital-acquired infections
我们提出了一个新的数学模型来研究COVID-19和细菌性肺炎的合并感染动力学。我们的模型包括两种肺炎感染途径，分别对应于社区获得性感染和医院获得性感染。我们证明了平衡点的存在性和局部稳定性取决于三个不同的参数，这三个参数被解释为COVID-19、细菌性肺炎和细菌种群的基本繁殖数。进行了数值模拟以补充我们的理论分析，我们表明，如果COVID-19的基本繁殖数大于1，这两种疾病都可以持续存在。
2022-07-27 q-bio.PE
Mobility-Dependent and Mobility-Compensated Effective Reproduction Number of COVID-19 Viral Variants: New Metric for Infectivity Evaluation
在流行病期间，与传染病相关的有效繁殖数（ERN）的估计是政策制定和医疗资源管理的一个具有挑战性的课题。关于2019冠状病毒病（COVID-19）的主要特征因素仍然存在一个悬而未决的问题，尽管最近基于非线性回归和机器学习的研究表明了流动性。新的病毒变种的出现在大范围流行病中很常见。然而，需要了解新变体的潜在ERN以进行政策修订，包括锁定限制。在这项研究中，我们提出了时间平均流动性在中转站作为替代与ERN使用的数据在日本的三个县。潜伏期和平均移动时间分别为6-8天和6-7天（R2在东京为0.109-0.512，大坂为0.365-0.607，爱知为0.317-0.631）。新加坡和伦敦也证实了同样的线性相关性。α变体的迁移率调整ERN为15%-30%，比大坂，爱知和伦敦的标准型高20%-40%。同样，在大坂和爱知，delta变异的ERN比标准型高20%-40%。建议的度量将是有用的，适当的评价不同的变种的感染性方面的ERN。
2021-11-01 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
The impact of undetected cases on tracking epidemics: the case of COVID-19
用于跟踪传染病演变的关键指标之一是繁殖数。这一数量通常是使用已确认的病例数计算的，但忽略了可能有更多的人被感染（例如，渐近）。我们提出了一个统计程序，以量化的影响，未检测到的传染病病例的有效繁殖数的确定。我们的方法是随机的，数据驱动的，不依赖于任何分隔模型。它被应用于8个不同国家和所有意大利地区的COVID-19病例，表明未被发现的病例的影响导致有效繁殖数量的估计值比仅报告病例获得的估计值大2到10倍。我们的研究结果敦促谨慎决定何时以及如何根据繁殖数量的值放松遏制措施。
2020-05-13 q-bio.PE q-bio.QM stat.AP
PM$_{2.5}$ as a major predictor of COVID-19 basic reproduction number in the USA
许多研究提出了COVID-19传播率与环境污染水平之间的关系。然而，建立这种关联的一个主要限制是要充分考虑到复杂的疾病动态，例如控制措施和检测政策的显著差异。另一个困难是适当地控制其他潜在重要因素的影响，因为它们相互关联并且数据集有限。为了克服这些困难，我们将在这里使用的基本再生数（$R_0$），我们估计美国各州使用非线性动力学方法。为了解释大量的预测因子（其中许多是相互强烈相关的），结合有限的数据集，我们采用了机器学习方法。具体来说，为了降低维度而不使变量解释复杂化，我们对相互关联（和相关）的预测因子的子集采用主成分分析。然后使用允许特征（预测器）选择并对其重要性进行排名的方法，包括具有正则化和特征选择的线性回归（Lasso和Elastic Net）以及基于弱学习者集合的非参数方法（随机森林和梯度增强）。通过这些实质上不同的方法，我们稳健地获得PM $_{2.5}$是美国各州$R_0$的主要预测因子，并从其他污染物，繁荣措施，人口密度，慢性病水平和可能的种族组成等因素进行校正。作为一个粗略的量级估计，我们得到$R_0$的相对变化，在美国观察到的污染水平的变化，通常是~ 30%，这进一步强调了污染在COVID-19传播中的重要性。
2021-06-14 q-bio.PE
Effects of demographic and weather parameters on COVID-19 basic reproduction number
在没有全面了解可能影响感染传播性的环境因素的情况下，不可能及时预测COVID-19的进展。针对可能影响COVID-19进展的参数的研究依赖于检测到的病例总数和类似代理和/或少量分析因素，包括对显示这些参数范围狭窄的地区的分析。我们在这里应用了一种新的方法，利用COVID-19检测病例数的广泛增长机制。通过将非线性动力学方法应用于指数区域，我们提取基本再生数R 0（即，COVID-19固有生物传播性的衡量标准），适用于118个不同国家在没有社交距离的情况下完全天真的人群。然后，我们使用生物信息学方法系统地收集这些国家的大量人口统计和天气参数数据，并寻求它们与COVID-19传播速度的相关性。除了一些已经报道的趋势之外，我们还展示了一些新颖的结果和那些有助于解决现有争议的结果：不依赖于风速和气压，与降水量呈负相关;与社会发展水平显著正相关（人类发展指数），不论测试政策，和城市人口的百分比，但与人口密度本身无关。我们发现一个强有力的正相关性，酒精消费的可传播性，并没有相关性的难民人数，相反，一些普遍的信念。报告了与健康相关因素的显著趋势，包括对血型〈动〉<动>组的详细分析，显示Rh因子的一致趋势，以及遗传性与胆固醇水平的强正相关性。
2021-03-28 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
Accounting for Symptomatic and Asymptomatic in a SEIR-type model of COVID-19
开发了一个数学模型，描述COVID-19病毒在人群中的动态，考虑到感染者可能有症状或没有症状。该模型使用来自法国、菲律宾、意大利、西班牙、英国、中国和美国等几个国家的确诊病例和死亡数据进行了校准。首先，我们推导出基本再生产数$\mathcal{R}_0$，并估计每个国家的有效再生产$\mathcal{R}_{\rm eff}$。第二，我们感兴趣的是干预措施的优点，无论是通过疏远还是通过治疗。结果显示，全面和部分遏制是有效的，在减少传播。然而，它的持续时间可能很长，以消除疾病（法国为104天）。通过将干预结束日期设定为达到医院容量的日期，数值模拟表明，可以缩短干预持续时间（如果容量为1 000名患者，则法国最多只需39天）。此外，结果指出，有效的繁殖数量仍然很大，遏制后。因此，检测和隔离是阻止疾病的必要条件。
2020-04-12 q-bio.PE
Dynamic Systems Framework for Modeling COVID-19 with Lévy Noise
本研究提出一个含Lévy噪声的SIR模型，分析其动态与随机解，推导基本再生数，数值模拟表明再生数小于1时疫情消散，大于1时控制困难。
2024-12-16 math.DS 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
Early Indicators of COVID-19 Spread Risk Using Digital Trace Data of Population Activities
COVID-19等大流行病的传播与人类活动密切相关。本文的目的是根据从数字跟踪数据中获得的人类活动模式，在疫情爆发的初始阶段，指定和检查城市疾病传播风险的早期指标。在这项研究中，维纳布尔斯距离（D_v）和活动密度（D_a）被用来量化和评估美国193个县的人类活动，这些县截至2020年3月31日的累计确诊病例数超过100例。Venables距离提供了一个衡量人类活动聚集程度的指标，该指标基于一个城市或一个县的人类活动平均距离（距离越小，接触风险越大）。活动密度是衡量一个县或一个城市的总体活动水平的一个指标（更多的活动可能导致更大的风险）。据此，本文采用皮尔逊相关分析来检验这两个人类活动指标与未来几周的基本生殖数之间的关系。结果表明，各县的人类活动指标与基本再生产数之间存在显著的相关性，两者之间存在显著的主从关系（时滞）。结果还表明，活动指标的变化与基本繁殖数的下降之间有一至两周的滞后。这一结果意味着人类活动指标在疫情爆发的早期阶段为大流行的传播风险提供了有效的早期指标。因此，当局可利用这些结果，主动监测每日Venables距离和活动密度，以主动评估疾病传播的风险。
2020-09-20 physics.soc-ph q-bio.PE
Estimating the course of the COVID-19 pandemic in Germany via spline-based hierarchical modelling of death counts
有效繁殖数是监控COVID-19疫情进程的关键数据。在这项研究中，我们考虑了一个回顾性的建模方法，估计有效的繁殖数量的基础上，在德国的大流行的第一年的死亡人数。拟议的贝叶斯分层模型采用样条来估计随着时间的推移灵活的繁殖数量，同时调整不同的有效感染死亡率。该方法还提供了一段时间内未被发现的感染的黑暗数字的估计。德国的结果表明，根据死亡人数估计的生殖数量往往类似于根据确诊病例的经典估计。然而，考虑到死亡人数被证明对检测政策的变化更为稳健：在第二波感染期间，对繁殖数量的经典估计表明，在2020年11月的“封锁灯”之后，感染人数呈平稳/下降趋势，而我们的结果表明，真实感染人数持续上升，直到2020年12月的“第二次封锁”。这一观察结果与与“锁定灯”同时引入的更严格的测试标准有关，这反映在我们的模型估计的随后增加的感染黑暗数字中。这些发现表明，回顾性观点可以提供有关大流行过程的更多见解。考虑到逐步接种疫苗，将重点从模拟确诊病例转移到报告的死亡病例，并有可能纳入有效的感染死亡率，这可能对未来的大流行监测越来越重要。
2021-09-06 q-bio.PE stat.AP
A study of COVID-19 data from African countries
COVID-19是一种新的大流行性疾病，几乎影响到每个国家，对社会生活和经济活动产生负面影响。全球感染和死亡患者人数继续增加。数学模型可以帮助制定更好的战略来遏制大流行。考虑到非洲各国政府采取的多种措施和具有挑战性的社会经济因素，简单的模型无法拟合数据。我们研究了COVID-19在选定非洲国家的动态演变。我们为每个研究的国家得出了一个与时间相关的繁殖数，以进一步了解COVID-19在非洲的传播情况。
2021-04-06 physics.soc-ph q-bio.PE
Assessing the effects of time-dependent restrictions and control actions to flatten the curve of COVID-19 in Kazakhstan
本文件评估国家层面的时间限制及控制措施及其对抗击COVID-19疫情的影响。通过分析该国第一波COVID-19期间的传播动态，可以更好地量化和理解为使曲线变平而采取的各级控制行动的有效性。这反过来又有助于有关当局更好地规划和控制随后的大流行浪潮。为了实现这一目标，首先开发了一个确定性的流行病的人口模型，考虑到模型参数的时间依赖性，特别是不断变化的再生数的值，这是用来描述这种流行病的传播动力学的关键措施之一。然后，可以通过使用数值优化技术将模型拟合到真实世界数据或通过诱导新闻平台中记录的ad-hoc控制动作来估计模型的再现数以及其他关键参数。本文使用基于哈萨克斯坦共和国第一波COVID-19数据的案例研究对该模型进行了验证。该模型适合提供模拟中的两个设置的估计;时不变和时变（有界约束）参数。最后，使用四种情景与时间相关的控制措施，以确定哪些会更好地反映实际情况进行了一些预测。
2021-01-12 physics.soc-ph q-bio.PE
Change points in the spread of COVID-19 question the effectiveness of nonpharmaceutical interventions in Germany
目的：针对SARS-CoV-2在德国传播的非药物干预措施包括取消群众活动（从3月8日起），关闭学校和儿童日托设施（从3月16日起）以及“封锁”（从3月23日起）。这项研究试图评估这些干预措施的有效性，揭示其对感染的影响随着时间的推移。方法：感染日期估计从德国官方病例数据，结合潜伏期和经验报告延迟。指数增长模型的感染和繁殖数量进行了估计和调查方面的变化点的时间序列。结果如下：3月8日（CI [7，9]）、3月10日（CI [9，11]）和3月3日（CI [2，4]），日感染数、累积感染数和繁殖数均显著下降。3月底进一步下降和稳定。4月19日新发感染也有一个变化点（CI [18，20]），但每日感染仍呈现负增长。从3月19日（CI [18，20]）开始，繁殖数在低于1的水平上波动。结论：2020年3月初的感染下降可归因于相对较小的干预措施和自愿的行为改变。后来的干预措施的额外影响无法清楚地检测出来。措施的自由化并没有导致感染人数再次增加。因此，大多数德国干预措施的有效性仍然值得怀疑。此外，干预措施的评估受到真实感染日期的估计和测试量的影响的阻碍。
2020-07-06 physics.soc-ph 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
Homeostatic behavioural response to COVID-19 infections returns R to a set-point of 1
2019冠状病毒病大流行中的一个明显行为方面是人们对社区报告或观察到的感染人数的关注和反应。我们描述了一个简单的传染病传播模型，在大流行的情况下，人们的行为受到当前感染风险的影响，这种行为反应的行为稳态返回感染风险到一定的首选水平。该模型预测繁殖率$R$将集中在中值1附近，并且新感染数量的相对变化的相关度量将遵循标准柯西分布。对全球COVID-19数据的分析显示，估计的繁殖率中位数为1，并且从报告的新感染人数计算的相对变化的这一指标在总体和单个国家层面上都严格遵循标准柯西分布。
2022-02-23 q-bio.PE
Forecasting the transmission of Covid-19 in India using a data driven SEIRD model
使用确定性暴露-感染-恢复-死亡（SEIRD）房室模型研究了印度特定病例的SARS-CoV-2病毒感染和死亡情况。其中最重要的流行病学参数之一，即感染的有效繁殖数是从报告的感染的日增长率数据中提取的，并将其包含在具有时间变化的模型中。我们评估了迄今为止实施的控制干预措施的效果，并估计了这些限制性措施避免的感染和死亡病例数。我们进一步预测未来COVID-19在印度的传播程度，并预测在各种潜在情况下的可能感染人数和死亡人数。
2020-06-08 physics.soc-ph q-bio.PE
How many can you infect? Simple (and naive) methods of estimating the reproduction number
这是一篇关于估计在流行病爆发期间一个传染病患者可以感染的人数的教学论文，称为繁殖数。了解这一数字对于制定应对政策至关重要。通常有两种类型的这种数，即，基本的和有效的（或即时的）。基本繁殖数是指在所有个体都易感的群体中，一个病例直接产生的平均预期病例数，而有效繁殖数是指在群体的当前状态下产生的病例数。在本文中，我们利用确定性的易受感染的删除（SIR）模型估计他们通过三种不同的数值近似。我们将该方法应用于意大利的COVID-19大流行，以深入了解该国的疾病传播情况。我们看到，全国封锁在减缓疾病指数增长方面的效果在实施日期后约两周出现。我们还讨论了该领域研究人员对简单（和天真）方法的改进。本文的作者是SimcovID（Simulasi dan Pemodelan COVID-19 Indonesia）合作的成员。
2020-06-28 physics.soc-ph q-bio.PE q-bio.QM
Importance of suppression and mitigation measures in managing COVID-19 outbreaks
我使用一个简单的流行病过程数学模型来评估四个基本量：繁殖数（R）、敏感个体（S）和传染性个体（I）的数量以及总社区规模（N）如何影响控制COVID-19的策略。数值模拟表明，在流行病开始时采取严格的抑制措施可以产生低传染性数字，此后可以通过更长时间的缓解措施来管理，以使流行病曲线变平。抑制措施越强，就能越快地实现有利于后续管理的低感染率。我们讨论了这种分析的预测，以及它如何适应长期的措施序列，包括使用群体免疫概念来利用获得性免疫。
2020-05-07 physics.soc-ph q-bio.PE
Time-dependent and time-independent SIR models applied to the COVID-19 outbreak in Argentina, Brazil, Colombia, Mexico and South Africa
我们考虑SIR流行病学模型应用于COVID-19的演化，有两种方法。首先，我们拟合了一个全球SIR模型，该模型具有时间延迟，并且在整个疫情期间参数不变，包括传染率。竞争措施反映在有效减少的易感人群$N_{eff}$上。在第二种方法中，我们考虑了一个时间依赖的传染率，反映了竞争措施，无论是通过一步一步的拟合过程，或通过以下指数衰减。在最后一个模型中，人口被认为是国家$N$的人口。在微分方程的线性区域中，当总人口$N$较大时，预测与$N$无关。我们应用这些方法来研究阿根廷、巴西、哥伦比亚、墨西哥和南非的大流行的传播，这些国家尚未达到感染高峰。在所有这些情况下，我们提供的再生率和回收率的估计。考虑到采取了合理的措施，使得再生因子$R_0$呈指数下降，因此，随时间变化的传染率的情景是乐观的。报告了回收率$γ$的测量值，发现该参数在不同国家具有普遍性。我们讨论了全局SIR与有效布居$N_{eff}$的对应关系以及时间局部SIR的演化。
2020-06-22 physics.soc-ph q-bio.PE
COVID-19 and India: What Next?
该研究基于2020年4月1日至6月20日期间公开的COVID-19数据进行预测建模，这些数据涉及印度及其五个感染最严重的州：马哈拉施特拉邦，泰米尔纳德邦，德里，古吉拉特邦和拉贾斯坦邦，使用易感，感染，康复和死亡（SIRD）模型。基本再生数R 0是使用RStudio软件包R 0通过指数增长法导出的。采用Python3.7.4语言，在QuixyterNotebook平台上对反映SIRD模型的微分方程组进行了求解。对于可视化，使用Python Matplotlib 3.2.1包。该研究提供了有关印度及其五个州的高峰日期，COVID-19感染高峰数量以及结束日期的见解。政治领导层、卫生当局和行业元老可以利用这些结果进行政策规划和执行。
2020-07-24 physics.soc-ph q-bio.PE
Reproduction number of SARS-CoV-2 Omicron variants, China, December 2022-January 2023
中国于2022年底调整零冠状病毒策略，引发前所未有的Omicron浪潮。我们估计了2022年12月至2023年1月32个省级行政区划的时变再生产数量。我们发现初始繁殖数的合并估计值为4.74（95%CI：4.41，5.07）。
2023-03-19 cs.SI q-bio.PE
Analyzing the World-Wide Impact of Public Health Interventions on the Transmission Dynamics of COVID-19
我们分析了COVID-19的繁殖数R在公共卫生干预措施下的变化。我们的研究结果表明，中国采取的公共卫生措施将R从1月的1.5降至2020年3月中旬的0.4。然而，他们也提出了隔离、检疫和大规模限制旅行的局限性。虽然随着中国实施广泛的公共卫生措施，全球范围内的生殖数短暂降至1以下，但病毒传入其他国家迅速导致全球平均R值上升。在意大利，继中国之后受影响最严重的国家，社交距离措施使当地的R值从3.71降至2.51。尽管如此，意大利的R值仍保持在远高于1的水平，允许持续传播。截至2020年3月中旬，由于COVID-19在没有广泛公共卫生干预措施的地区蔓延，全球范围内的R值上升至与1月下旬相似的水平。
2020-04-03 q-bio.PE
Effective containment explains sub-exponential growth in confirmed cases of recent COVID-19 outbreak in Mainland China
中国内地最近爆发的COVID-19疫情的特点是，在疫情早期阶段，确诊病例呈明显的代数次指数增长，而在繁殖率足够大的情况下，不受限制的疫情预计会出现初始指数增长。尽管中国大陆受影响省份之间的病例数差异很大，但标度律$t^μ$具有令人惊讶的普遍性，其指数范围为$μ=2.1\pm0.3$。这种行为的普遍性表明，尽管中国受影响省份的社会、区域、人口、地理和社会经济异质性，但此次疫情由标准流行病学模型无法捕捉的基本机制主导。我们发现，所观察到的缩放法是遏制政策，有效地耗尽易感人群的直接后果。为此，我们引入了一个简约的模型，捕捉两个，隔离症状感染者以及人口范围内的隔离，以应对缓解政策或行为变化。对于广泛的参数范围内，该模型再现了所观察到的标度律在确认的情况下，并解释了所观察到的指数。定量拟合经验数据允许无症状或少症状，身份不明的感染者的数量的高峰时间的识别，以及估计的基本繁殖数的地方变化。该模型表明，在确诊病例中观察到的比例律是影响相当一部分易感人群的有效污染策略和/或系统行为变化的直接特征。这些见解可能有助于在其他地方潜在的出口导致的COVID-19继发性疫情或其他紧急传染病的类似未来疫情中实施遏制策略。
2020-02-18 physics.soc-ph 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
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
Forecasting the outcome and estimating the epidemic model parameters from the fatality time series in COVID-19 outbreaks
在没有其他工具的情况下，监测保护措施的效果，包括社交距离和预测疫情的结果，具有巨大的意义。实时数据是嘈杂的，并且经常受到报告中的系统性错误的影响。详细的流行病模型可能包含大量的经验参数，这些参数无法以足够的精度确定。在本文中，我们表明，累计死亡人数可以被视为一个主变量，和流行病的参数，如基本再生数，易感人群的大小，和感染率可以确定。在SIR模型中，我们导出了一个显式的单变量微分方程的累积死亡人数的发展。我们发现，在西班牙，意大利和湖北省，中国的流行病密切遵循这个主方程。我们讨论了与Logistic增长模型的关系，我们表明，它是一个很好的近似时，基本再生数小于$2.3$。该条件适用于湖北的疫情，但不适用于西班牙、意大利和纽约的疫情。不同之处在于中国的传染期较短，这可能是由于感染者的隔离政策。对于具有更多内部变量的更复杂的模型，例如SEIR模型，由于时间尺度的分离，从SIR模型导出的方程近似地保持有效。
2020-08-01 physics.soc-ph q-bio.PE
Forecasting COVID-19 Pandemic in Mozambique and Estimating Possible Scenarios
COVID-19目前是本世纪最大的流行病危机，全球登记病例超过1600万例。非洲国家现在已开始登记越来越多的病例，但针对具体非洲国家开发的模式并不多。在我们的研究中，我们使用一个简单的SEIR模型来评估和预测未来的情况下，在莫桑比克的大流行危机。我们比较了不同政策对感染曲线的影响，并估计了当前感染再生数Rt和增长率g等流行病学参数。我们已经发现了一个较低的Rt值，范围从1.11至1.48和一个积极的增长率，g = 0.22至0.27之间。我们的模拟还表明，封锁显示出将感染高峰高度平均降低28%的潜力，范围从20%到36%不等。
2020-07-28 physics.soc-ph q-bio.PE
Mathematical Modeling and Investigation on the Role of Demography and Contact Patterns in Social Distancing Measures Effectiveness in COVID-19 Dissemination
在这篇文章中，我们调查了人口统计和接触模式在确定COVID-19传播和社交距离政策有效性方面的重要性。我们研究了这些问题，提出了一个具有年龄结构模型的增强流行病学模型，将人群分为易感者（S）、暴露者（E）、感染者和无症状者（A）、住院者（H）、感染者和有症状者（I）和康复者（R），以模拟COVID-19传播。模拟使用四种隔离政策（工作限制、老年人隔离、社区隔离和学校关闭）的六种组合，以及根据不同的人口过渡阶段模式（老龄发达国家、发达国家、发展中国家和最不发达国家）生成的四个代表性虚拟国家。我们得出的结论是，基本繁殖数取决于年龄分布和接触模式。由于个人接触率低，老龄发达国家的基本生殖数（$R0=1.74$）最低，其次是最不发达国家（$R0=2.00$）、发展中国家（$R0=2.43$）和发达国家（$R0=2.64$）。由于这些基本再生产数字的差异，同样的干预政策在老龄国家和最不发达国家的效率更高。在所有干预政策中，减少工作接触和社区距离是导致$R0$值、患病率、最大住院需求和死亡率下降最多的政策。老年人的隔离在发达国家和老龄发达国家更为有效。关闭学校是效果较差的干预政策，尽管其影响在最不发达国家和发展中国家不可忽视。
2022-05-10 q-bio.PE
Covid-19 epidemic under the K-quarantine model: Network approach
新型冠状病毒肺炎（COVID-19）大流行正在全球范围内持续，其造成的破坏是前所未有的。为了预防，韩国采取了局部隔离策略，而不是全球封锁。这种方法不仅最大限度地减少了经济损失，而且还有效地防止了疾病的传播。在这项工作中，COVID-19在当地隔离措施下的传播是使用复杂网络上的易感-暴露-隔离-隔离模型建模的。在这种网络方法中，连接到孤立的人的链接被断开，然后在释放时恢复。这种联系的动态导致时间依赖的繁殖数量。对网络进行数值模拟，根据经验数据估计反应速率。随后再现了累计确诊病例数的时间模式。结果显示，大量无症状感染者因与感染者一起隔离而被检出。此外，还考虑了当地隔离措施和社交距离中断可能造成的后果。
2020-12-30 physics.soc-ph q-bio.PE
Impact of the Euro 2020 championship on the spread of COVID-19
像2020年欧洲足球锦标赛这样的大型活动提供了一个独特的机会来量化集会对COVID-19传播的影响，因为参与国家的比赛数量和日期类似于随机研究。使用贝叶斯模型和COVID-19数据中的性别失衡，我们将12个国家的840，000例（95% CI：[0.39M，1.26M]）COVID-19病例归因于冠军。影响非线性地依赖于初始发生率、再生数$R$和比赛次数。影响最大的是苏格兰和英格兰，那里每百万居民中有多达10，000例原发病例发生在与冠军有关的集会上。在比赛日，由比赛引起的平均$R$增加值为0.46 [0.18，0.75]，但重要比赛引起的增加值高达+3。总之，我们的研究结果提供了定量的见解，有助于判断和减轻大规模事件对流行病传播的影响。
2023-01-18 physics.soc-ph q-bio.PE
A Two-Phase Dynamic Contagion Model for COVID-19
本文基于Dassios和Zhao（2011）提出的动态传染模型，提出了一个连续时间随机强度模型，即两阶段动态传染过程（2 P-DCP），用于模拟COVID-19的流行病传染，并研究封锁效应。它允许个体传染性的随机性，而不是标准模型所假设的恒定的繁殖数。根据各区域和国家的实际数据，推导和估计了关键的流行病学量，如最终流行规模的分布和预期的流行持续时间。对每个国家或区域干预效果的相关时滞进行了估计。我们的结果与最近医学研究发现的COVID-19的潜伏期一致。我们证明，我们的模型可能成为COVID-19建模的有价值的工具。更重要的是，所提出的2 P-DCP模型也可以被用作流行病学建模的重要工具，因为这种类型的传染病模型具有非常简单的结构，足以描述区域流行病和全球流行病的演变。
2020-06-11 physics.soc-ph q-bio.PE
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
How Efficient is Contact Tracing in Mitigating the Spread of Covid-19? A Mathematical Modeling Approach
接触者追踪（CT）是政府和卫生官员为减轻新型冠状病毒传播而采取的措施之一。在本文中，我们通过开发一个房室模型来评估其对减轻病毒传播的影响，从而研究其功效。我们描述了COVID-19对繁殖数${\mathcal{R}_0}$的影响。特别是，我们讨论了模型的参数，如报告的病例数，跟踪和监测政策的有效性，以及接触者追踪的传播率的重要性和相关性。我们描述了术语“完美追踪”、“完美监测”和“完美报告”，分别表示在孵化时追踪追踪到的接触者，有效监测追踪到的接触者，使其不会造成二次感染，以及报告所有感染者。我们考虑了三种特殊情况：（1）对报告病例的接触者进行完美监测和完美追踪，（2）对病例进行完美报告和对追踪的报告病例进行完美监测，以及（3）对报告病例的接触者进行完美报告和完美追踪。此外，我们给出了要追踪的接触比例的下限，以确保有效复制${\mathcal{R}_c}$低于1，并根据可观察的数量（如报告和追踪病例的比例）描述${\mathcal{R}_c}$。使用从约翰霍普金斯大学获得的美国某些选定州的COVID-19数据进行的模型模拟表明，即使是CT的后期干预也可能合理地减少COVID-19的传播，并减少住院和死亡高峰。
2021-11-21 math.DS physics.soc-ph q-bio.PE
