Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology

要約

疫学における古典的なコンパートメントモデルは、簡略化のために均一な集団を仮定することが多く、個人間の固有の異質性が無視されています。
この仮定を現実世界のデータに適用すると、多くの場合、不正確な予測が生じます。
たとえば、古典的なモデルは、H1N1-2009 および COVID-19 の流行における最終的なパンデミックの規模を過大評価しているという証拠が示されています。
この問題に対処するために、病気の伝播と制御における重要な要素として個人の移動を導入します。
私たちは、各コンパートメントの移動分布関数を使用して疾患の動態を特徴付け、集団の不均一性を組み込んだ移動ベースのコンパートメントモデルを提案します。
私たちの結果は、同じ基本再生産数に対して、モビリティベースのモデルは古典的なモデルと比較して最終的なパンデミックの規模が小さく予測し、一般的な過大評価の問題に効果的に対処していることを示しています。
さらに、感染者集団の時系列から移動分布を推測します。
私たちは、データセットからモビリティ分布を一意に識別するための十分な条件を提供し、合成データと現実世界のデータの両方からモビリティを学習するための機械学習ベースのアプローチを提案します。

要約(オリジナル)

Classical compartmental models in epidemiology often assume a homogeneous population for simplicity, which neglects the inherent heterogeneity among individuals. This assumption frequently leads to inaccurate predictions when applied to real-world data. For example, evidence has shown that classical models overestimate the final pandemic size in the H1N1-2009 and COVID-19 outbreaks. To address this issue, we introduce individual mobility as a key factor in disease transmission and control. We characterize disease dynamics using mobility distribution functions for each compartment and propose a mobility-based compartmental model that incorporates population heterogeneity. Our results demonstrate that, for the same basic reproduction number, our mobility-based model predicts a smaller final pandemic size compared to the classical models, effectively addressing the common overestimation problem. Additionally, we infer mobility distributions from the time series of the infected population. We provide sufficient conditions for uniquely identifying the mobility distribution from a dataset and propose a machine-learning-based approach to learn mobility from both synthesized and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google