风险介导的有效接触动态调控解耦 Metapopulation 传染病模型中的爆发

Metapopulation 传染病模型通过将异质人口划分为独立但相互连接的社区来捕捉传染病扩散的空间维度，这些社区在网络中由节点表示。在疫情发生时，一个重要研究问题是，区域或国家层面的空间信息对于缓解和（地方）决策者有多大相关性。本研究调查了不同信息水平对全国范围内传染病结果的影响，将对测量危险的反应建模为反馈环路，通过普通微分方程（ODE）的Metapopulation模型中的接触率降低。以2020年德国的新冠肺炎和高分辨率 mobility 数据为案例研究，我们发现根据最大接触减少 $\psi_{\rm max}$ 的不同，存在两种明显不同的 regime：缓解和抑制。在（适度）缓解的 regime 中，逐渐增加 $\psi_{\rm max}$ 从零到中等水平延迟和稀疏化感染波的开始，同时逐渐降低峰值。当区域信息相对于国家数据的贡献较低时，这一效果更为显著。在抑制 regime 中，反馈引起的接触减少足以消灭局部爆发，并降低峰值日分布的均值和方差，因此区域信息更为重要。当抑制或消除不可能时，确保局部爆发解耦有助于通过重新分配资源从受影响较小的地区来避免医院或重症监护病房瓶颈。