A Mathematical Framework for Estimating Risk of Airborne Transmission of COVID-19 with Application to Face Mask Use and Social Distancing
提出了一个用于估计呼吸道感染(如COVID-19)空气传播风险的数学模型。该模型采用流体动力学的基本概念,并纳入了已知的范围内的因素,参与空气传播的这种疾病。该模型的数学形式是经过设计的,因此它不仅可以作为跨学科界限的科学探究的共同基础,而且可以被科学和学术界以外的广泛受众所理解。该模型的警告和局限性进行了详细讨论。该模型用于评估由各种织物制成的面部覆盖物所提供的传输保护。与主机和易感者之间的物理距离增加的传输风险的减少也量化耦合模型与现有的数据在规范流的标量分散。最后,还评估了宿主和易感者的身体活动水平(或运动强度)对增加传播风险的影响。
2020-09-20 physics.soc-ph q-bio.PE
A Bayesian Updating Scheme for Pandemics: Estimating the Infection Dynamics of COVID-19
流行病模型在理解和应对新出现的COVID-19大流行方面发挥着关键作用。广泛使用的房室模型是静态的,在评估新出现的大流行的干预策略方面用处有限。应用数据同化技术,我们提出了一个贝叶斯更新方法,估计流行病学参数使用可观察到的信息,以评估不同的干预策略的影响。我们采用了一个简洁的更新模型,并提出了新的参数,通过解开减少瞬时繁殖数Rt到缓解和抑制因素量化干预的影响,在一个更细的粒度。然后,我们开发了一个数据同化框架来估计这些参数,包括构建观测函数和开发贝叶斯更新方案。然后建立一个统计分析框架,通过监测这些估计参数的演变来量化干预策略的影响。通过对欧洲国家、美国和武汉市的干预措施效果的考察,揭示了这些国家的干预效果和美国的死灰复燃风险。
2020-08-07 physics.soc-ph q-bio.PE
Estimating the population-level effects of non-pharmaceutical interventions when transmission rates of COVID-19 vary by orders of magnitude from one contact to another
本文基于 COVID-19 传播概率的幂律特征,将接触间有效传播率的数量级差异纳入统计物理模型,估计全民佩戴 FFP2/N95 口罩可使有效再生数降低约九倍。
2024-10-03 cond-mat.stat-mech physics.soc-ph 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
Estimating the number of COVID-19 cases from population isolation level
我们使用逻辑函数来估计在一段时间内感染病毒的个体数量,作为感染发生前一段时间的社会隔离水平的函数。每个时期由一个固定的日期范围组成,以天为单位,社会隔离应该在下一个日期范围内的病毒传播中生效。样本为巴西圣保罗州的COVID-19病例和社会隔离水平数据。所提出的方法分为两个阶段:1)针对COVID-19经验数据拟合Logistic函数,以获得函数参数; 2)使用除总体增长率外的函数参数,以及所有时间段的社会隔离水平的平均值来计算一个称为$λ$的常数。使用$λ$和该时间段的隔离水平计算每个时间段的逻辑增长率。一段时间内的病例数是使用逻辑斯蒂函数和前一段时间的增长率来估计的,以获得在过去的时间内社会隔离的效果。在经验数据和估计数据之间产生更好相关性的时间段为5天。我们的结论是,该方法执行的数据估计与经验数据的高度相关性。
2021-10-26 physics.soc-ph
Estimating Importation Risk of Covid-19 in Hurricane Evacuations: A Prediction Framework Applied to Hurricane Laura in Texas
于二零二零年八月,当德克萨斯州从夏季COVID-19大幅飙升中走出来时,预测显示飓风劳拉正沿着德克萨斯州东部海岸线向600万居民逼近,威胁将COVID-19传播到全州并导致疫情复发。为协助地方当局应对双重威胁,我们将沿海居民的调查预期和观察到的飓风疏散率整合到一个统计框架中,并结合当地的流行情况,预测COVID-19在飓风中的传播情况。对于飓风劳拉,我们估计有499,500 [90%可信区间(CI):347,500,624,000]人撤离德克萨斯州各县,没有一个县的飓风撤离人数超过2.5%,全州有2,900 [90% CI:1,700,5,800]人输出新冠肺炎。一般而言,接收估计数集中在人口密度较高的地区。尽管如此,预计在小地区的进口风险更高,在我们的案例研究中,每10,000名居民的最大进口数量为10。总的来说,我们提出了一个灵活的和可转移的框架,捕捉空间异质性,并结合地理成分预测人口流动的自然灾害。随着飓风的频率和强度不断增加,我们的框架可以部署在应对预期的飓风路径,以指导备灾和规划。
2022-02-28 physics.soc-ph stat.AP
Estimating the infection horizon of COVID-19 in eight countries with a data-driven approach
COVID-19大流行影响了世界所有国家,造成大量死亡,并对其社会、金融和教育组织造成重大破坏。中国实施的严格纪律措施非常有效,因此随后被世界大多数国家不同程度地采用。感染持续时间和感染人数对于防治这一流行病至关重要。我们使用中国疾病传播的量化景观作为基准,并利用来自8个国家的感染数据来估计这些国家中每个国家感染的完整演变。该分析成功地预测了每个国家每天的预期感染人数,也许更重要的是,预测了每个国家的流行持续时间。我们的定量方法是基于一个高斯传播的假设,这是由于在一个简单的动态感染模型的措施。一旦这种现象结束,这可能会产生后果,并揭示政策的效率。
2020-04-22 physics.bio-ph physics.soc-ph q-bio.PE
On the relation between active population and infection rate of COVID-19
对东京主要车站的乘客人数与COVID 19感染率之间的关系进行了实证研究。我们基于传统房室模型的分析表明:1)从真正的感染日到报告感染日的平均时间约为$15$天。2)活动人口密度与感染率之间的标度关系表明,感染率的增加是线性的活动人口,而不是二次,因为这是假设在传统的SIR模型。3)从整体标度关系的显着偏差似乎对应于人们的行为的变化,以响应行动调节的公告。
2020-09-21 physics.soc-ph q-bio.PE
Simulation of the COVID-19 pandemic on the social network of Slovenia: estimating the intrinsic forecast uncertainty
本文在一个简化的社会网络上建立了一个病毒传播模型。该社交网络由200多万个节点组成,每个节点代表斯洛文尼亚的一个居民。节点根据真实的家庭和老年人护理中心分布进行组织和互连,而这些集群之外的连接是半随机分布和完全链接的。将病毒传播模型与疾病进展模型耦合。集成方法与扰动的传输和疾病参数被用来量化的合奏传播,预测的不确定性的代理。所呈列的斯洛文尼亚COVID-19疫情持续预测与收集到的斯洛文尼亚数据进行比较。结果表明,目前感染在家庭/老年人护理中心内传播的可能性是在家庭/老年人护理中心外传播的两倍。我们使用模拟集合(N = 1000)来反向获得模型参数的后验分布,并估计COVID-19预测的不确定性。我们发现,在不受控制的流行病中,内在的不确定性主要来源于病毒生物学的不确定性,即其繁殖数。在低感染率的受控流行病中,社会网络的随机性成为预测不确定性的主要来源,特别是对于短期预测。因此,基于社会网络的模型对于改进流行病预测至关重要。
2020-05-27 cs.SI 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
Estimating the Impact of Social Distance Policy in Mitigating COVID-19 Spread with Factor-Based Imputation Approach
University of Hong Kong(香港大学);Toulouse School of Management(图卢兹管理学院);University of International Business and Economics(对外经济贸易大学);Beijing University of Chemical Technology(北京化工大学)
本研究构建控制州层面异质性的模型,采用因子插补法结合美国2020年2-4月的面板数据,证实社交距离政策可显著降低新冠感染与死亡增速,且效果具有时变性,在高收入、高教育水平等特征的州效果更突出。
2024-05-20 econ.EM physics.soc-ph
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
Investigating the dynamics of COVID-19 pandemic in India under lockdown
在这篇论文中,我们调查了2019年12月在中国武汉出现后印度COVID-19的持续动态。我们讨论印度于2020年3月25日实施全国封锁以防止COVID-19传播的影响。考虑到全国封锁的影响以及2020年5月3日解除封锁后活跃病例可能出现的通货膨胀,使用易感-暴露-危险-隔离(SEIR)模型预测印度的活跃COVID-19病例。我们的模型预测,随着持续的封锁,活跃感染病例的高峰将出现在2020年5月中旬。我们还预测,在各种假设情况下,活动性感染病例的峰值将增加7 $\%$至21 $\%$,反映政府在封城后实施的控制策略相对放松。对印度来说,提出非药物控制策略是一项重要决定,例如全国封锁40天,以延长COVID-19的高阶段,并避免其公共卫生系统的严重负担。由于持续的COVID-19疫情仍然是一个全球性的威胁,所有国家都面临着挑战,要拿出有效的公共卫生和行政策略来对抗COVID-19并维持其经济。
2020-04-28 physics.soc-ph q-bio.PE
Estimating the Number of Infected Cases in COVID-19 Pandemic
COVID-19疫情对人类生活造成重大干扰。社会普遍焦虑的背后,一个重要原因是大流行的巨大不确定性。一个根本的不确定性是有多少人或多大比例的人被感染。在地方、国家或全球一级,有关于这一流行病的各种统计数据的公布和经常更新的数据。然而,由于各种原因,许多案件没有包括在这些报告的数字中。我们提出了一种结构化的方法来估计未报告的病例数,在这种方法中,我们区分了报告病例数较晚到达的病例和那些症状轻微或没有症状,因此根本没有被任何医疗系统捕获的病例。我们使用报告后的数据估计前者和人口匹配到后者。我们估计,截至2020年4月20日,美国报告的感染病例数应乘以220.54%的系数进行校正,而美国人口的感染率估计为0.53%,这意味着病例死亡率为2.85%,接近WHO在2020年3月建议的3.4%。到2020年夏末,美国的总体感染率上升至2.49%,而病例死亡率下降至2.09%,无症状病例占所有感染病例的比例从夏季前的35-40%降至20- 25%左右。
2021-03-03 physics.soc-ph q-bio.PE stat.ME
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
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
Estimating and Projecting Air Passenger Traffic during the COVID-19 Coronavirus Outbreak and its Socio-Economic Impact
这项研究的主要重点是收集和准备有关全球航空旅客流量的数据,以分析旅行禁令对航空业的影响。根据2010年1月至2019年10月的历史数据,实施了预测模型,以设定参考基线。这项研究利用从在线航班跟踪平台和在线预订系统中提取的飞机动态,首次评估了COVID-19大流行导致的全球航班活动的近期变化。为了研究航空旅行禁令对航空业及其社会经济的影响,根据过去的流行病危机和观察到的航班量构建了几个情景。事实证明,根据这一假设情景,根据观察到的数据,在2020年第一季度,航空损失的影响可能使世界GDP下降0.02%至0.12%,在最坏的情况下,到2020年底,损失可能高达1.41%-1.67%,失业人数可能达到2500万至3000万。以欧盟27国为重点,到2020年底,GDP损失可能达到1.66-1.98%,在最坏的情况下,失业人数将从420万到500万不等。从短期来看,一些国家受到的影响将比其他国家更大,大多数欧洲航空公司将受到旅行禁令的影响。
2020-04-21 econ.EM physics.soc-ph stat.AP
Markovian And Non-Markovian Processes with Active Decision Making Strategies For Addressing The COVID-19 Pandemic
我们使用基于离散区间的模型研究和预测了5月1日至8月31日期间美国六个州的COVID-19演变,并在部分可观察马尔可夫决策过程的广泛框架内,基于最小化损失函数,规定了积极的干预政策,如封锁。对于每个州,分析40天的新冠肺炎数据(北部两个州从5月1日开始,南部四个州从6月1日开始),以估计隔间之间的转移概率和与疫情演变相关的其他参数。然后,这些量被用来预测在不同的政策分配下,在给定的状态下,未来50天(测试期)的流行病的过程,导致在训练范围内损失函数的不同值。最优策略分配是对应于最小损失的策略分配。我们的分析显示,在测试期间,这六个州都不需要封锁,尽管不封锁的规定需要谨慎解释:当然需要继续负责任地使用口罩和保持社交距离。详细讨论了这种流行病传播模型中涉及的注意事项。一个关于Covid-19传播(以及更一般的流行病传播)的非马尔可夫公式的草图被认为是该领域未来研究的一个有吸引力的途径。
2020-08-05 physics.soc-ph q-bio.PE stat.AP
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
Covid-19 Belgium: Extended SEIR-QD model with nursing homes and long-term scenarios-based forecasts
随着COVID-19疫情蔓延及疫苗接种计划尚未建立,本集团已实施若干非药物干预措施,如部分及全面封锁、隔离及物理距离措施,以减少疾病传播及减轻医疗系统的压力。数学模型是重要的工具,可用来估计这些干预措施的影响,监测国家一级流行病的目前演变情况,并估计放松措施的潜在长期后果。在本文中,我们使用确定性年龄结构扩展房室模型对比利时COVID-19疫情的演变进行了建模。我们的模型特别考虑了养老院,这些养老院被建模为与普通人群分开的实体,以捕捉这些实体内的特定延迟和动态。该模型整合了社会接触数据,并根据住院数据(入院和出院)、每日COVID-19死亡人数(区分普通人群和养老院相关死亡)和血清学研究结果进行拟合,并基于贝叶斯方法进行了敏感性分析。我们呈现2020年11月的情况,并估计从模型推导出的COVID-19的一些特征。我们还提出了几个中期和长期预测的基础上,加强或放松社会接触的不同一般部门的情况下,有很多的不确定性。
2021-08-30 physics.soc-ph q-bio.PE stat.AP
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
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
Time scale dynamics of COVID-19 pandemic waves: The case of Greece
本研究针对希腊COVID-19大流行提出一种替代预测方法,通过聚焦暴发阶段的时间尺度预测活跃病例拐点以实现峰值预警,同时识别了对暴发贡献最大的人群传播路径。
2023-12-12 math.DS physics.soc-ph
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
On the problem of comparing Covid-19 fatality rates
了解新型冠状病毒的致命性及其在不同国家的差异,对于支持各国政府选择适当的战略至关重要。采用正确的指标来监测疫情过程中感染的致命性是一个至关重要的问题。这一工作突出表明,即使我们的注意力仅限于确诊病例的子集,时间依赖性病死率在多大程度上是估计疫情过程中病死率的误导性指标。我们的分析证明,欧洲几个主要国家的最终病死率肯定会大大超过10%。意大利和其他主要欧洲国家之间死亡率的差异在很大程度上被讨论,这主要归因于(德国除外)意大利流行病的晚期阶段。
2020-04-06 physics.soc-ph q-bio.PE
Estimating public transport congestion in UK urban areas with open transport models
可操作的城市交通模型需要收集异构的数据集,并经常集成不同的子模型。因此,它们的系统验证和可重复应用仍然存在问题。我们建议在这方面的贡献,建立运输模型,从自下而上使用科学的工作流程系统与开源组件和数据。这些开放式模型的目的是特别是在估计拥挤的公共交通在所有英国城市地区。这使我们能够在COVID-19危机的背景下建立与公共交通密度相关的健康指标,并测试相关政策。
2021-04-29 physics.soc-ph
Extending Dynamic Origin-Destination Estimation to Understand Traffic Patterns During COVID-19
本文扩展动态起讫点估计模型,利用道路传感器数据估计大型城市网络 OD 交通流,并通过洛杉矶县 COVID-19 案例评估政策影响及人口统计关联。
2024-01-18 math.OC physics.soc-ph
SEIRD Model for Qatar Covid-19 Outbreak: A Case Study
2020年爆发的新冠肺炎疫情要求许多政府为政策和规划目的开发疫情的数学统计模型。这项工作提供了一个教程,建立一个房室模型,使用易感,暴露,感染,感染和死亡状态通过时间。贝叶斯框架用于执行参数估计和预测。该模型使用干预措施来量化政府减缓病毒传播的各种尝试的影响。还进行预测以确定何时将发生高峰活动感染。
2020-05-26 physics.soc-ph q-bio.PE stat.AP
COVID-19 Modeling Based on Real Geographic and Population Data
本文提出融合真实地理邻近性与人口密度的网络模型,并结合混合晶格 Monte Carlo 方法对土耳其省级 COVID-19 传播进行建模,可有效估计死亡、扩散与疫情终止。
2022-07-04 physics.soc-ph q-bio.PE
Modelling the spread of Covid19 in Italy using a revised version of the SIR model
在本文中,我们提出了一个模型来预测COVID-19疫情的传播,并将其应用于意大利的具体案例。我们从一个简单的易感、受感染、被感染(SIR)模型开始,并添加了一个条件,即在一定时间后,基本繁殖数$R_0$随时间呈指数衰减,正如世界数据所表明的那样。使用这个模型,我们能够再现流行病的真实行为,平均误差为5%。此外,我们说明了未来可能的情况下,与不同的间隔$R_0$。该模型自2020年3月初以来一直在使用,预测2020年4月意大利的疫情高峰约为10万例。疫情的真正高峰发生在2020年4月20日,有10.8万例活动病例。这一结果表明,该模型对意大利的情况具有预测能力。
2020-05-19 physics.soc-ph q-bio.PE
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
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
Modeling and Simulation of the spread of coronavirus disease (COVID-19) in Lebanon
在本文中,我们开发了一个冠状病毒疾病(COVID-19)传播的概率数学模型。它考虑到了这种疾病的已知特点,例如存在未被发现的传染性病例以及受感染者的不同社会和传染性条件。特别是,它考虑了一个国家的社会结构和政府措施,发现的病例在实际感染病例总数中所占的比例,以及未被发现的感染者从境外涌入。虽然该模型很简单,可以利用地方当局提供的关于这一流行病的数据合理确定其参数,但它也足够复杂,可以捕捉到最重要的影响。我们研究了黎巴嫩的特殊情况,并使用其报告的数据来估计模型参数,这可能对估计COVID-19在其他国家的传播有意义。我们显示了一个很好的协议之间的报告数据和我们的模型给出的估计。我们还模拟了几种情景,帮助政策制定者决定如何放松不同的措施,而不会冒着严重的COVID-19浪潮的风险。我们还能够确定导致特定情况的主要因素,这有助于更好地了解病毒的传播。
2020-08-07 physics.soc-ph q-bio.PE
Fever and mobility data indicate social distancing has reduced incidence of communicable disease in the United States
2020年3月,美国多个州政府鼓励或强制限制社交互动,以减缓COVID-19的传播,COVID-19是由新型冠状病毒SARS-CoV-2引起的疾病,已蔓延至近180个国家。评估这些社交距离策略的有效性具有挑战性,因为对COVID-19的监测有限,根据时间和地区不同的标准,通常会优先对高风险或住院病例进行检测。在这里,我们发现,在美国至少有100例COVID-19确诊病例的县,流动性的减少导致了发热发病率的减少,这是由智能温度计捕获的,平均滞后6.5天($90\%$在3- 10天内),这与COVID-19的潜伏期一致。此外,流动性下降幅度较大的县随后实现了发烧的更大幅度下降($p<0.01$),纽约市及其邻近地区是一个明显的例外。这些结果表明,社交距离减少了包括COVID-19在内的流感类疾病的传播,并支持社交距离作为减缓COVID-19传播的有效策略。
2020-04-21 physics.soc-ph q-bio.PE
Using A Partial Differential Equation with Google Mobility Data to Predict COVID-19 in Arizona
COVID-19的爆发扰乱了世界上许多人的生活。美国亚利桑那州成为该国最新的COVID-19热点之一。对COVID-19病例的准确预测将有助于各国政府采取必要措施,并说服更多人采取个人预防措施来对抗病毒。由于涉及许多人为因素,因此难以准确预测COVID-19病例。本文旨在借助Google社区移动报告中的人类活动数据,为COVID-19病例提供一个预测模型。为了实现这一目标,我们开发了一个特定的偏微分方程(PDE),并使用《纽约时报》在美国亚利桑那州县级的COVID-19数据进行了验证。该模型描述了亚利桑那州县群之间的跨界传播和人类活动对COVID-19传播的综合影响。结果表明,该模型的预测精度可达94%以上。此外,我们研究个人预防措施(如戴口罩及在地方层面对COVID-19病例实行社交距离)的成效。本地化的分析结果可用于帮助减缓COVID-19在亚利桑那州的传播。据我们所知,这项工作是首次尝试将PDE模型应用于Google社区移动报告的COVID-19预测。
2020-07-26 physics.soc-ph q-bio.PE
Sensing the Pulse of the Pandemic: Geovisualizing the Demographic Disparities of Public Sentiment toward COVID-19 through Social Media
本研究利用2020-2021年美国Twitter数据,提出人口统计学调整情绪(SAD)指数以缓解社交媒体分析中的人口偏差,揭示不同群体对COVID-19情绪的时空差异及各州情绪分布。
2023-08-02 cs.CY cs.SI physics.soc-ph
A Data-driven Understanding of COVID-19 Dynamics Using Sequential Genetic Algorithm Based Probabilistic Cellular Automata
National Institute of Technology Durgapur(杜尔加布尔国立技术学院);Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
COVID-19疫情严重影响全球数十亿人的生活。即使采取了大规模的保护措施,如全国范围的封锁,国际航班服务的中断,严格的测试等,感染的蔓延仍在不断扩大,造成数千人死亡和严重的社会经济危机。因此,识别这种感染传播动态的主要因素对于尽量减少COVID-19和任何未来大流行的影响和寿命至关重要。在这项工作中,一个基于概率元胞自动机的方法已被用来模拟大量不同国家的感染动态。本研究提出,对于这种感染传播的精确数据驱动建模,元胞自动机提供了一个很好的平台,具有顺序遗传算法,用于有效地估计动态参数。据我们所知,这是首次尝试通过遗传算法使用优化的元胞自动机来理解和解释COVID-19数据。结果表明,该方法具有较好的灵活性和鲁棒性,通过系统的参数估计,可以对日活跃病例数、总感染人数和总死亡病例数进行建模。我们对来自不同大陆的40个国家的COVID-19统计数据进行了详细分析,由于人口和社会经济因素,感染传播的时间演变存在明显差异。通过对这一流行病动态中的主要参与者的结论,确立了这一模型的实质性预测能力。
2020-08-27 cs.LG cs.NE nlin.CG