由于目前COVID-19在全球范围内发生大流行,对目前短期模型预测结果对该病毒进行针对性的遏制和缓解策略。目前短期预测的挑战性在于关键流行病学参数进行评估,并对初次干预作用对病毒的传播变化影响作用。马克斯·普朗克动力学与自组织研究所Viola Priesemann、哥廷根大学等基于Bayesian inference(贝叶斯机率论)建立流行病学模型,通过新感染的增长速度随时间的变化进行分析。当集中对COVID-19在德国的传染过程进行分析,对病毒感染的增长速度改变点和公开介入之间的相对关系。通过这项研究,实现了对干预策略的成效评价,通过对应的变化点对未来的受感染人数进行预测。作者得到的模型和相关代码开源可得,为各个地区/国家提供帮助。
(2)数据统计结果显示,以上干预方法很好的制止了病例的指数型增长过程,前两项干预方法对增长速度实现了从30 %降低至12 %和降低至2 %,随后通过接触禁令颁布,实现了病例由增加转变为逐渐降低,降低的速度为-3 %(-5 %~-2 %)。作者在建立的模型中,引入了三个重要参数,生物潜伏期(5~6天)、病例出现症状和进行检测之间的时间(1~3天)、在产生测试结果之前的延迟期(1~4天)。因此,总体上将以上因素共同考虑,得到的延迟时间范围为11.4天。
(3)这种模型对其他国家和地区同样有很好的预测效果,同时目前德国一些新出现的干预策略可能在将来对病毒传播抑制有影响,同样被作者考虑到模型中:复活节假期中群众的暂时改变行为,并且政府致力于推行尝试缓解和减轻方案,更加细化的分析模型(不同区域,比如不同的联邦)。
总之,作者通过Bayesian模型对政府干预方法对病毒传染过程引起的作用,结合潜在的多种不同干预策略,对将来的传染情况进行分析。通过以上分析模型,作者发现虽然传播速度通过以上综合策略仅仅将传播的速度降低至0附近,因此仍然需要使用其他方法对病毒的传播抑制。
参考文献
Jonas Dehning, Johannes Zierenberg, F. Paul Spitzner, Michael Wibral, Joao Pinheiro Neto, Michael Wilczek, Viola Priesemann*
Inferring change points in the spread of COVID-19 reveals the effectiveness of interventions,Science 2020
DOI:10.1126/science.abb9789
https://science.sciencemag.org/content/early/2020/05/14/science.abb9789