超越 $R_0$：继发感染异质性与概率性流行病预测
种群与进化
2020-04-15 v2 应用物理
物理与社会
摘要
基本再生数————是公共卫生中最常见也最常被误用的数字之一。尽管常用于比较疫情和预测大流行风险，这一单一数字掩盖了两种不同病原体即便具有相同 时可能展现的复杂性。在此，我们展示如何利用继发感染分布的估计来预测暴发规模，同时利用其平均值 与底层异质性。为此，我们重新表述并推广了随机网络理论中的经典结果，该结果依赖接触者追踪数据来同时确定继发感染分布的一阶矩（）与高阶矩（代表异质性）。进一步，我们展示了该框架在新兴病原体数据稀缺现实中的不同实现方式。最后，我们证明，若无关于COVID-19等新兴传染病继发感染异质性的数据，暴发规模的不确定性范围极大。综上，我们的工作凸显了新兴传染病暴发期间接触者追踪的关键必要性，以及预测流行规模时需超越 的必要性。
引用
@article{arxiv.2002.04004,
title = {Beyond $R_0$: Heterogeneity in secondary infections and probabilistic epidemic forecasting},
author = {Laurent Hébert-Dufresne and Benjamin M. Althouse and Samuel V. Scarpino and Antoine Allard},
journal= {arXiv preprint arXiv:2002.04004},
year = {2020}
}
备注
New figure with validations for multiple diseases and COVID-19