来自 COVID-19 发病数据的建模启示：第一部分——不同规模人群间 COVID-19 病例的比较
种群与进化
2022-11-17 v1
摘要
比较不同人群在 COVID-19 下的受害程度，是持续调查公共卫生政策与社会不平等如何影响 COVID-19 病例数量与严重程度的核心部分。但 COVID-19 发病率在不同亚人群之间（包括同一城市的不同社区之间）可相差数倍，使得病例率的比较具有欺骗性。与此同时，尽管流行病学异质性在疾病传播的数学模型中得到日益充分的体现，将这些模型拟合到病例数的真实数据上却构成巨大挑战，解释这些模型以回答诸如“哪些公共卫生政策能取得最佳结果？”“哪些社会牺牲最值得付出？”等问题同样如此。在此，我们通过将 2020 年 3 月至 2021 年 3 月间的病例激增聚类为具有相似动力学的组，来比较美国不同州之间的 COVID-19 病例曲线。我们提出假设：每一次激增都由一组发生 COVID-19 接触的个体亚人群所驱动，并将检测该亚人群规模作为我们聚类算法中的一步。聚类揭示，各州的病例轨迹符合少数（4-6）种原型动力学之一。我们的结果表明，尽管 COVID-19 在不同州的传播具有异质性，但该疾病传播中存在潜在的普遍性，仍可能由数学复杂度降低的模型所预测。这些普遍性也被证明对学校关闭具有惊人的鲁棒性，我们选取学校关闭作为一种常见但社会成本高的公共卫生措施。
引用
@article{arxiv.2211.09010,
title = {Modeling Insights from COVID-19 Incidence Data: Part I -- Comparing COVID-19 Cases Between Different-Sized Populations},
author = {Ryan Wilkinson and Marcus Roper},
journal= {arXiv preprint arXiv:2211.09010},
year = {2022}
}