大学社区中 COVID-19 传播的建模

数学和仿真模型常被用于预测疾病传播并估计公共卫生干预措施的影响，在 COVID-19 大流行期间已开发并应用了许多此类模型。本文描述了一项针对大学社区系统比较模型的研究，该社区人口比州或国家少得多，但联系更紧密。我们开发了随机智能体模型、确定性仓室模型和基于常微分方程的模型。所有三个模型均使用相同的易感-暴露-感染-恢复（SEIR）模型来表示疾病进展。我们针对 14000 名学生和教职工群体创建了基线场景，以及针对定期检测、接触者追踪、隔离、检疫、课程线上迁移、佩戴口罩、改善通风和疫苗接种等干预措施组合的另外 11 个场景。我们使用了来自其他流行病学研究的参数值，并整合了马里兰州 College Park 的 COVID-19 检测数据，但该研究旨在使用合成人群将各种建模方法相互进行比较。对于每个场景，我们使用模型估计在 119 天的学期中感染的人数。我们通过比较模型的预测并评估其简约性和计算量来评估这些模型。智能体模型（ABM）和确定性仓室模型（DCM）在人员往返隔离的周期性流动方面得到了相似的结果，但基于常微分方程的模型未能捕捉这些动态。ABM 的计算时间远大于另外两个模型的计算时间。DCM 捕捉了 ABM 预测中存在的部分动态，并且与 ABM 的预测一样，清楚地显示了检测和课程线上迁移的重要性。