新模型解释了行为变化对预测COVID-19病例的影响
通过在传染病模型中添加行为成分，布朗大学的研究人员开发了一种新的建模方法，可以捕捉过去16个月新发现的COVID-19病例的峰值和低谷。
该方法发表在该杂志上科学报告，可以用于预测当前大流行的未来趋势，以及预测未来大流行的过程。
布朗大学工程学助理教授、该研究的首席研究员维卡斯·斯里瓦斯塔瓦说:“我们知道，人们的行为对感染的传播方式很重要。”“我们想看看是否可以量化这些行为方面，并将它们纳入一个研究模型看看这个模型是否能够捕捉到我们在美国和其他地方看到的感染率波动。”
一种常用的传染病传播建模方法是SIR模型。该方法将人群分为不同的类别:易感人群、感染人群和康复人群。该模型根据两个参数将人们从一个类别转移到另一个类别。疾病的传播能力，以及人与人之间的接触率，可以预测人们从易感人群转移到受感染人群的速度。恢复的速度使人们从感染到康复。(在这些模型中，“康复”通常意味着“不再具有传染性”，也包括那些死于感染的人。)
标准SIR模型产生了一条具有单峰的曲线，传染病专家敦促人们通过保持社交距离、戴口罩和其他减少病毒传播的措施使这条曲线变平。但在过去的16个月里，单个州、整个美国和其他国家的实际病例率没有形成单一的曲线。斯里瓦斯塔瓦说，相反，它们产生了多波感染，给传染病建模界带来了重大挑战。
随着疫情的蔓延，斯里瓦斯塔瓦正在布朗大学工程学院(Brown's School of Engineering)教授一门课程，其中包括传染病建模。他和他的学生惊讶地发现模型预测和实际发病率之间的不匹配。
斯里瓦斯塔瓦说:“我们看到病例在上升和下降，形成了多个高峰，但模型未能捕捉到它。”“这让我们想到用人群的行为和反应来解释和预测正在发生的事情。”
斯里瓦斯塔瓦与两名布朗大学的本科生扎卡里·拉乔伊和托马斯·Usherwood合作开发了新的建模策略。他们修改了一个标准的SIR模型，以包括疫苗接种的影响，并在模型中添加了两个行为参数。第一个是“谨慎程度”，估计随着报告病例的增加，人们倾向于安全行为——保持社交距离、戴口罩和其他安全措施。参数还捕获政府行为为了应对发病率上升，如关闭和隔离，这些措施增加了安全行为。第二个参数是“安全感”，它模拟了随着越来越多的人接种疫苗，人们对恢复大流行前活动的信心。
然后，该团队使用一种优化算法，根据美国报告的病例率校准新参数的值。通过优化参数，该团队发现，模型准确地再现了整个美国以及各个州和城市的病例率。
LaJoie说:“以纽约市为例，我们发现，就在3月底政府行动开始生效的同一时间，我们的谨慎变量水平出现了激增。”“后来随着病例下降，我们看到谨慎程度下降，进入假期后病例又出现激增。”
通过模型与数据的适当拟合，它能够洞察大流行在未来可能如何展开。例如，该团队能够测量不同的疫苗摄取率如何影响病例率。疫苗接种率的提高可能会减少病例，但也可能降低谨慎程度，增加未接种疫苗者的安全感。这可能会给发病率带来上升压力，即使疫苗正在降低发病率。事实上，该模型预测的情况是，随着疫苗的推出，感染率会出现短暂的上升，然后最终开始再次下降。
例如，在美国，该模型捕捉到了4月中旬感染人数增加的短暂时期，之后感染率开始再次下降。印度等地更大的疫情激增与该模型预测的更极端的疫苗接种后疫情激增相似。根据目前的疫苗接种率，该模型预测，到2021年8月，美国的病例将接近零。
研究人员说，这样的见解在疫苗接种计划刚刚开始的地方可能很有用。
LaJoie说:“当我们开发这个模型时，我们关注的是美国，但它对于印度、欧洲或南美等其他地方的预测肯定是有用的，这些地方的发病率仍然很高。”
这种建模方法也可以应用于未来的疫情或大流行。
Usherwood说:“在这个模型中，真的没有什么东西将它限制为一种疾病。”“我们认为这适用于任何以人的行为为重要因素的情况，基本上适用于任何传染病。”
进一步探索
