对COVID-19数据建模必须格外小心

随着引起COVID-19疾病的传染性病毒开始在全球范围内毁灭性扩散，国际科学家团队对各国的流行病学家缺乏统一的应对方法感到震惊。

例如，德国没有像法国和英国那样实行全面封锁，只有在大流行达到晚期后，纽约才决定在美国实行封锁。用于预测可能感染数量的数据模型在各个区域（从非常大的数量到非常小的数量）之间差异很大，并显示出高度的不确定性。

法国国家科学研究中心（CNRS）的科学家Davide Faranda以及英国，墨西哥，丹麦和日本的同事决定探索这些不确定性的根源。法兰达（Faranda）的祖父死于COVID-19。法兰达将工作献给了他。

该小组在AIP Publishing的《 Chaos》一书中描述了为何对COVID-19爆发的近实时建模和外推是一项巨大的科学挑战，需要深入了解流行病动力学的非线性。

预测复杂系统的行为（例如流行病的演变）既需要用于其进化的物理模型，也需要用于初始化模型的感染数据集。为了创建模型，团队使用了约翰·霍普金斯大学系统科学与工程中心提供的数据，该数据可从以下网站在线获得： https://systems.jhu.edu/research/public-health/ncov/ 要么 https://github.com/CSSEGISandData/COVID-19。

“我们的物理模型是基于这样的假设，即总人口可分为四类：易感染病毒的人群，感染病毒但无任何症状的人群，受感染的人群，最后，那些从病毒中恢复或死亡的人。”

为了确定人们如何从一个群体转移到另一个群体，有必要知道感染率，潜伏时间和恢复时间。实际的感染数据可用于通过统计模型推断该流行病的行为。

“由于模型所涉及的参数（感染率，潜伏期和恢复时间）的不确定性，以及不同国家/地区内感染数据的不完整，推断可能导致难以置信的不确定性范围，” Faranda说。 “例如，仅假设感染计数中的最后数据被低估了，可能导致总感染估计数从几千个变为几百万个。”

该小组还表明，这种不确定性是由于缺乏数据质量以及动态的内在本质所致，因为它对参数（特别是在初始生长阶段）非常敏感。这意味着每个人都应该非常小心地推断关键数量，以便在新一波病毒开始时决定是否实施锁定措施。

他说：“最终感染总数和流行持续时间对您输入的数据很敏感。”

团队的模型以一种自然的方式处理不确定性，因此他们计划展示约束后阶段的建模如何对所采取的措施敏感。

法兰达说：“初步结果表明，当感染处于完全指数增长阶段时实施锁定措施会严重限制其成功。”

有所作为：赞助机会

故事来源：

用料 由…提供 美国物理研究所。注意：可以编辑内容的样式和长度。