基于贝叶斯动力学的 SE(A)IR COVID-19 传播模型参数估计

在本文中，我们考虑一种用于 COVID-19 感染传播的动态流行病学模型。从经典的 SEIR 模型出发，对该模型进行修改以更好地描述潜在病原体的特征及其传染模式。鉴于大量继发性感染与已记录感染者的接触无关，该模型包含一组无症状或轻症状感染者，这部分人群未被纳入每日新增感染数的统计数据中。我们使用贝叶斯粒子滤波算法动态更新相关人群，并在新增感染数和疾病相关死亡的新数据可用时同步估计传播率。该模型的潜在假设是传染率在流行期间动态变化，或因病原体突变，或是对缓解与遏制措施的反应。该序贯贝叶斯框架自然地提供了模型参数（包括再生数）估计及不同人群规模的不确定性量化。此外，我们引入一个无量纲量，即无症状与有症状人群规模的平衡比，并给出估计该量的简单公式。该比值自然导出另一个充当模型基本再生数 $R_0$ 的无量纲量。当我们将该模型与粒子滤波算法应用于俄亥俄州东北部及密歇根州东南部多个县的新冠感染数据时，发现所提出的再生数 $R_0$ 在两州内均具有一致的动态行为，从而证明其为缓解措施成效的可靠概括。