2019新型冠状病毒肺炎疫情传播能力及疫情控制效能的地域差异分析

2019年底武汉突发的新型冠状病毒疾病(COVID-19)疫情已进入"全球大流行"状态.本文基于Li等(New England Journal of Medicine,2020,382:1199-1207)关于2019年12月10日至2020年1月4日期间武汉最早的425例确诊病例数据,使用似然函数估计方法得到了COVID-19疫情的基本再生数为2.42,平均序列间隔为8.85天.为了刻画疾病瞬时传播能力的地域差异,利用湖北省内各地市和中国境内各省市的每日疫情报告数据(来自各省市卫生健康委员会网站),由统计模型得到了各地在2020年2月间的每日瞬时再生数估计值.进一步,基于瞬时再生数定义了一个新的疫情控制效能公式,定性评估了各地区采取的防控策略对COVID-19实时传播能力的影响.结果提示现阶段境外输入病例造成国内疫情复发的风险依然很大,COVID-19传播具有较明显的地域差异,但引起差异的因素值得后续进一步持续关注.     

新型冠状病毒肺炎疫情下武汉及周边地区何时复工?数据驱动的网络模型分析

基于全国和湖北省新型冠状病毒肺炎(COVID-19)疫情报告数据以及百度人口迁徙与分布大数据,本文构建武汉及周边15个疫情严重城市的COVID-19传播复杂网络模型,重点分析武汉及周边地区复工的可能时间节点和复工对二次暴发风险的影响.首先基于各个城市的累计病例数估计1月23日武汉的累计病例数,得到不同时期湖北省16个主要城市控制再生数的估计值,揭示了早期的传播风险较大和目前的传播风险小(控制再生数的值小于1).本文基于2019年同期的流动网络结构和流动量模拟整个网络模型,给出2020年2月17日、2月24日和3月2日的复工对各个城市疫情的影响.主要结论显示,在较强的防控措施和自我防护下,2020年3月2日复工将在一段时间内不会引起疫情的二次暴发.     

非线性组合动态传播率模型与我国COVID-19疫情分析和预测

针对传统的流行性传染病学中基本传染数$R_0$难以准确估计以及单一模型预测精度低的缺陷,利用组合动态传播率替换基本传染数$R_0$,提出基于支持向量回归的非线性时变传播率模型并对我国COVID-19疫情进行分析和预测。首先,计算动态传播率的离散值;其次,使用多项式函数、指数函数、双曲函数和幂函数分别对动态传播率的离散值进行拟合并基于最佳滑窗期$k=3$构建相应的预测模型;接着,基于拟合优度等评价指标选择最佳的三种单一模型并对其预测结果进行非线性组合;最后,利用非线性组合动态传播率模型对湖北、全国除湖北和全国COVID-19疫情进行分析和预测。实证结果表明提出的非线性组合动态传播率模型对不同地区COVID-19疫情数据的预测误差均相对较小;对重点省市COVID-19疫情的拐点预测切实合理;湖北、全国除湖北与全国自2020年2月27日起后20天疫情预测曲线的拟合优度分别为98.53%、98.06%和97.98%。     

新型冠状病毒肺炎疫情数据挖掘与离散随机传播动力学模型分析

新型冠状病毒肺炎(COVID-19)疫情已经蔓延至全国各地,包括陕西省在内很多省份的早期疫情均以输入病例为主,后期的疫情在严格的防控措施下也已呈下降趋势.评价防控措施的有效性、分析人口流动对疫情的影响对于研究陕西省(或其他以输入病例为主的地区)疫情和未来应对突发性传染病有着重要的意义.根据陕西省卫生健康委员会(简称卫健委)公布的详实数据信息可以挖掘传播链(感染树),得到从发病到首诊、入院、确诊的中位持续时间,每日潜伏者类、感染者类、治疗者类的具体人数和感染者状态转移的空间分布.本文计算确定COVID-19疫情的控制再生数(1.48–1.69),并发展新的统计推断方法获得陕西省严控措施下的有效再生数;进而提出一个全新的融入了公共卫生干预和输入病例的离散随机COVID-19疫情传播模型,通过多源数据实现了模型的参数化,分析不同的流动模式、输入人口中感染者的比例对二次暴发风险的影响.主要结论显示,间歇性的人口流动、密切关注和有效隔离流动人口中的感染者能有效降低二次暴发的风险,为有序组织复工、复学提供决策支持.     

具有跟踪隔离措施的新冠肺炎传播模型分析及应用

报道于2019年12月底的新型冠状病毒肺炎(COVID-19)疫情, 由于2020年春运期间人口的大规模流动, 使得其迅速蔓延.自2020年1月23日起, 我国采取了各种措施使得疫情得到了有效的控制, 例如武汉封城、确诊病例的密切接触者跟踪隔离、湖北人员的居家隔离等.该文基于COVID-19在山西省的实际传播情况, 建立了具有输入病例和确诊病例密切接触者跟踪隔离的动力学模型.在不考虑输入病例的情况下, 分析了模型的动力学行为.利用山西省COVID-19病例数据, 计算了实时再生数, 发现山西省2020 年1月25日全省封村封街道有效控制了COVID-19疫情的传播, 即实时再生数小于1, 从宏观角度验证了防控措施的有效性.进一步通过模型的数值拟合得到: 早期染病者隔离14天的防控策略是合理有效的; 武汉封城时间越早, 染病者的规模越小; 跟踪隔离到大量确诊病例的接触者时, 染病者的规模越小.     

武汉市COVID-19疫情与易感人群软隔离强度关系分析

本文基于2020年1月23日至2020年2月20日中国国家卫生健康委员会报告的武汉病例数据,通过引入表述易感人群行为特征的隔离强度,研究了易感人群软隔离行为对COVID-19在武汉的传播影响.我们将人群分为六类:隔离的易感者-暴露的易感者-潜伏者-无症状的感染者-有症状的染病者_恢复者,建立COVID-19传播动力学模型,利用蒙特卡罗法估计了参数并对模型进行数据拟合和数值模拟,得到了武汉市实施软隔离措施后的有效再生数、高峰到达时间、高峰规模、流行时间、最终规模等,同时评估了易感人群隔离率及易感人群暴露率对COVID-19疫情的影响.     

基于FUDAN-CCDC模型对新冠肺炎的建模和确诊人数的预测

科学地预测疫情发展趋势对疫情防控至关重要.在新时滞动力学模型(TDD-NCP)的基础上,提出基于随机动力学的时滞卷积模型和离散卷积模型,并基于中国疾病预防控制中心的相关研究结果及公开数据以及Wallinga和Lipsitch的工作,反演出COVID-19的重要参数,拟合了武汉及上海市疫情发展趋势.     

新型冠状病毒肺炎疫情预测预报的非线性回归方法

本文介绍几种累计新型冠状病毒肺炎(COVID-19)疫情预测预报中的非线性增长曲线,并说明Richards增长曲线在这次COVID-19疫情预测预报中的合理性和可行性;在此基础上,建立累计COVID-19疫情预测预报中的非线性回归点模型,并给出参数估计方法;对全国COVID-19疫情进行即时跟踪预测预报,包括数据校准、整体和分时间段的预测预报,同时获得全国COVID-19疫情随时间的预测预报结果,为进一步的疫情防控打下良好基础.     

城市火灾次数与气象因素的Adaptive-Lasso分析

为研究城市火灾次数与气象因素的关系,以天津市的火灾数据为例,建立月度火灾次数与温度、风速、降雨量、日照、湿度等相关的各月气象因素及上月火灾起数间的线性回归模型.通过Adaptive-Lasso方法对上述变量进行选择并估计其参数,并对所得模型进行了分析比较,同时预测分析了2008年上半年火灾发生数.研究表明,通过Adaptive-Lasso方法建立的线性回归模型能够更好地预测火灾次数.     

前言

正2020年初,一场病毒感染的肺炎疫情在中国武汉暴发,这是一种新型冠状病毒SARS-CoV-2引起的能在人际传播的疾病,2020年2月1 1日被世卫组织命名为COVID-19.面对疫情,全国人民团结一心全力抗击,无数白衣天使不惧危险奋战在挽救生命的第一线,无数科技工作者不辞辛苦拼搏在攻克COVID-19的征程上.在这些科技工作者中也不乏数学工作者的身影,他们根据医学原理和公开数据进行数学建模,通过动力学分析或统计学分析,结合优化算法等定量手段,试图揭示COVID-19的传播规律及其重要特征,评估治疗或防控     

人口迁入与新增确诊数的趋势关系及因果量化分析

目前,很多地区新冠肺炎疫情已得到缓解,复工、复产已被多地政府部门提上日程.2月10日前后,全国各地返城复工人数增多,2月14日开始,广东、河南等地新增病例数出现了明显反弹,人口跨地区迁徙使疫情防控更加困难.目前全国返工、返校需求还远未得到满足,需要通过数据分析,对"返城复工"的风险进行评估.通过观察数据可以发现人口迁徙与新增确诊病例数有很强的正相关性,因此由"格兰杰因果检验"确定了人口迁徙与新增确诊病例数有显著的因果关系.     

基于FTA方法的COVID-19疫情应急防控决策研究

鉴于新型冠状病毒肺炎(COVID-19)的易感染性与聚集性等特点,基于COVID-19的传播机制,应用故障树分析(FTA)方法,研究了具有不同特征的疫情突发事件风险决策问题,包括疫情突发事件的动态演化过程、多种情景以及应急方案对突发事件的影响。通过分析COVID-19疫情突发事件的演化过程,构建故障树来描述导致突发事件演变的条件与因素之间的逻辑关系,给出了不同的可行应急方案。利用FTA预估出疫情突发事件发生的概率,计算出可行应急方案的整体排序值,获得最优应急方案。最后通过一个COVID-19确诊患者的案例分析,验证了所提出的方法的可行性和有效性。     

The Impact of Multilateral Imported Cases of COVID-19 on the Epidemic Control in China

While the spread of COVID-19 in China is under control, the pandemic is developing rapidly around the world. Due to the normal migration of population, China is facing the high risk from imported cases. The potential specific medicine and vaccine are still in the process of clinical trials. Currently,controlling the impact of imported cases is the key to prevent new outbreak of COVID-19 in China. In this paper, we propose two impulsive systems to describe the impact of multilateral imported cases of COVID-19. Based on the published data, we simulate and analyze the epidemic trends under different control strategies. In particular, we compare four different scenarios and show the corresponding medical burden. The results can be useful in designing appropriate control strategy for imported cases in practice.     

基于SEIR模型的COVID-19疫情防控效果评估和预测

通过对COVID-19疫情在中国的传播情况进行分析，建立了一个SEIR流行病模型，模型中将确诊人群分成已收治和未收治两类.先从理论上分析了模型的无病平衡点及其稳定性、基本再生数等关键问题；再结合实际数据，对武汉封城前和封城后两个阶段疫情的发展趋势进行数值模拟和比较分析，讨论了模型中一些重要参数对确诊人数的影响；最后，针对上述理论分析和数值模拟的结果，对之前采取的一些控制策略作了分析评估，同时对疫情后期发展进行预测.     

Bayesian spatial modeling of genetic population structure

Natural populations of living organisms often have complex histories consisting of phases of expansion and decline, and the migratory patterns within them may fluctuate over space and time. When parts of a population become relatively isolated, e.g., due to geographical barriers, stochastic forces reshape certain DNA characteristics of the individuals over generations such that they reflect the restricted migration and mating/reproduction patterns. Such populations are typically termed as genetically structured and they may be statistically represented in terms of several clusters between which DNA variations differ clearly from each other. When detailed knowledge of the ancestry of a natural population is lacking, the DNA characteristics of a sample of current generation individuals often provide a wealth of information in this respect. Several statistical approaches to model-based clustering of such data have been introduced, and in particular, the Bayesian approach to modeling the genetic structure of a population has attained a vivid interest among biologists. However, the possibility of utilizing spatial information from sampled individuals in the inference about genetic clusters has been incorporated into such analyses only very recently. While the standard Bayesian hierarchical modeling techniques through Markov chain Monte Carlo simulation provide flexible means for describing even subtle patterns in data, they may also result in computationally challenging procedures in practical data analysis. Here we develop a method for modeling the spatial genetic structure using a combination of analytical and stochastic methods. We achieve this by extending a novel theory of Bayesian predictive classification with the spatial information available, described here in terms of a colored Voronoi tessellation over the sample domain. Our results for real and simulated data sets illustrate well the benefits of incorporating spatial information to such an analysis.     

Regional Prediction of COVID-19 in the United States Based on the Difference Equation Model

The novel coronavirus pneumonia 2019 (COVID-19) has swept the globe in just a few months with negative social and psychological consequences for public health. So far, the United States has been one of the countries most affected by the epidemic. In this study, 51 states in the United States are divided into 10 state clusters according to relevant factors, and a difference equation model with spatio-temporal dynamic characteristics is established to predict the transmission dynamics of COVID-19 in the 10 state clusters and obtain data on regional aggregation levels (the United States). The study showed that the Pearson Correlation Coefficient between the actual data and the predicted data in the 10 state clusters is between 0.6 and 0.96 (mean R$^{2}$=0.8448), and the mean absolute error (MAE) of the newly confirmed cases in each cluster is between 300 and 1650 (mean MAE=878) and the average forecasting error rate (AFER) of the total confirmed cases in each cluster is between 0.9$\%$ and 3$\%$ (mean AFER=1.57$\%$). These results show that the difference equation model can well predict the changes in the recent confirmed cases of infectious diseases such as COVID-19.     

封闭空间中新型冠状病毒肺炎传播模型:以日本“钻石公主号”邮轮为例

该文以新型冠状病毒(SARS-Cov-2)在日本钻石公主号邮轮上传播为例,通过建立简单的易感者-感染者传染病模型,研究在封闭空间中新冠病毒肺炎(COVID-19)的传播机制.动力学分析和数值拟合预测了疾病传播过程和最终结果,讨论了不同隔离措施对疾病传播进程的影响,并给出防控策略建议.     

Dynamics of a Deterministic and Stochastic Susceptible-exposed-infectious-recovered Epidemic Model

We investigate a susceptible-exposed-infectious-recovered (SEIR) epidemic model with asymptomatic infective individuals. First, we formulate a deterministic model, and give the basic reproduction number $\mathcal{R}_{0}$. We show that the disease is persistent, if $\mathcal{R}_{0}>1$, and it is extinct, if $\mathcal{R}_{0}<1$. Then, we formulate a stochastic version of the deterministic model. By constructing suitable stochastic Lyapunov functions, we establish sufficient criteria for the extinction and the existence of ergodic stationary distribution to the model. As a case, we study the COVID-19 transmission in Wuhan, China, and perform some sensitivity analysis. Our numerical simulations are carried out to illustrate the analytic results.