新模型解释了行为变化的影响以预测COVID-19案例
通过将行为成分添加到传染病模型中，布朗大学的研究人员开发了一种新的建模方法，该方法在过去16个月中发现的新Covid-19病例中捕获了峰值和山谷。
该方法，发表在期刊上科学报告，对于预测当前大流行的未来趋势以及预测未来的过程可能很有用。
布朗工程助理教授兼研究首席研究员维卡斯·斯里瓦斯塔瓦（Vikas Srivastava）说：“我们知道人们的行为在感染如何传播方面很重要。”“我们想看看我们是否可以量化这些行为方面，将它们纳入一个模型看看该模型是否能够捕获我们在美国和其他地方看到的感染率浪潮。”
建模传染病传播的一种常用方法是所谓的SIR模型。该方法将人口分为不同的类别：易感，感染和恢复。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。该疾病的传播性以及人们相互接触的速度，预测人们从易感性转变为感染的速度。恢复率使人们从感染到康复。（这些模型中的“回收”通常表示“不再具有传染性”，其中还包括死于感染的人。）
标准的SIR模型产生了一个具有单个峰值的曲线，即传染病专家敦促人们通过社会疏远，口罩和其他减少病毒传播的措施来平坦。但是在过去的16个月中，各州，整个国家和其他国家的实际病例率没有产生单个曲线。Srivastava说，取而代之的是，他们产生了多种感染浪潮，为感染性疾病建模社区带来了重大挑战。
随着大流行的发展，Srivastava正在教授一门课程，其中包括布朗工程学院中有关传染病建模的部分。他和他的学生惊讶地看到模型预测与实际案例率之间的不匹配。
Srivastava说：“我们看到案件上下播放，创造了多个峰值，但模型在捕获它方面却缺乏。”“这就是让我们思考使用人口行为和反应来解释和预测正在发生的事情的一种方式。”
Srivastava与两名棕色本科生Zachary Lajoie和Thomas Usherwood合作制定了新的建模策略。他们修改了标准的SIR模型以包括疫苗接种的效果，并在模型中添加了两个行为参数。首先，“谨慎的水平”估计了人们对安全行为的趋势 - 社会距离，戴面具和其他安全措施，如报道的情况增加。参数还捕获政府行动为了响应增加的案例速率（例如关闭和隔离），以增加安全行为。随着越来越多的人接种疫苗，第二个参数是“安全感”，使人们对返回大流行活动的回归充满信心。
然后，该团队使用优化算法根据美国报告的案例速率来校准新参数的值，并优化了参数，该团队发现该模型在整个美国和各个州都准确地重现了整个大流行的案例速率和城市。
Lajoie说：“例如，当我们看纽约市时，我们在三月下旬生效的同一时期就看到了同一行动左右的谨慎变量的峰值。”“然后，随着案件的下降，我们看到谨慎的程度下降了，在假期中，案件又发生了激增。”
由于该模型适当符合数据，因此可以深入了解大流行将来可能如何展开。例如，团队能够衡量疫苗摄取率不同的速率如何影响病例率。疫苗接种率的上升可能会导致病例降低，但它们也可以降低谨慎的水平，并增加未接种疫苗的安全感。即使疫苗将其拉下来，这也可能给案件速率带来上升压力。实际上，该模型预测了在疫苗推出时发生短暂上升感染率的情况，然后才开始再次下降。
例如，在美国，该模型捕获了4月中旬的短期感染，然后再开始降低。在印度等地，较大的潮流看起来类似于该模型预测的疫苗接种后更极端的潮流。该模型以目前的疫苗接种率预测，美国的案件应在2021年8月之前接近零。
研究人员说，这样的见解可能在疫苗接种计划刚刚开始的地方很有用。
Lajoie说：“当我们开发模型时，我们专注于美国，但这对于在案件率仍然很高的印度，欧洲或南美等其他地方做出预测肯定会很有用。”
建模方法也可以应用于未来的爆发或大流行。
Usherwood说：“这种模型实际上没有什么将其限制在Covid-19作为一种疾病。”“我们认为这对人们的行为很重要，这基本上是任何传染病。”
