气候因素与控制措施对COVID-19疫情传播的影响

COVID-19疫情的暴发对医疗机构、社会和经济带来了前所未有的挑战,因此有必要了解影响该疾病传播的潜在因素。首先,采用统计描述获取COVID-19日新增病例数和气候因素的时空分布特征。然后,基于纵向数据的Poisson回归模型和广义估计方程(GEE),研究了COVID-19病例数与气候因素、控制措施和人口密度之间的关系。结果表明,影响COVID-19疫情的因素是多方面的,控制措施对COVID-19疫情的影响最为显著,其次是平均温度、平均相对湿度、平均露点、气候因素的长期趋势和季节变化。在不同的时滞水平下,平均温度与平均相对湿度、平均温度与平均风速、平均温度与平均大气压强之间的交互作用具有统计显著性,这进一步说明,多种因素的相互作用引起COVID-19疫情的暴发。研究结果可为疫情防控部门制定有效的、强有力的管控措施提供一定的依据。

基于个体传染病模型研究个体行为改变对甲型H1N1的影响

个体行为在突发性传染病传播过程中起着重要作用,通过行为改变来减缓和控制突发性传染病传播的能力是应对策略的一个重要方面,因此了解个体行为改变如何影响突发性传染病的传播至关重要。基于2009年甲型H1N1流感(A/H1N1)数据,建立基于社交网络的个体决策心理模型(LHBM),将个体行为改变率嵌入个体水平的传播动力学模型(IBMs),并研究个体行为改变如何影响A/H1N1的动态变化。然后,基于IBMs,应用基于序列蒙特卡罗的近似贝叶斯计算方法(ABC SMC)估计未知参数。结果表明:IBMs能更准确地描述A/H1N1的传播过程,揭示个体行为改变对A/H1N1暴发的影响。此外,媒体宣传的重点应集中在如何引导个体的行为改变,而且个体的积极响应对于缓解和控制突发性传染病至关重要。

基于Kolmogorov前向方程评估甲型H1N1流感疫情的动态变化

基于个体水平的传染病模型可以揭示随机性在传染病疫情防控中的重要作用.研究此类模型的普遍方法是通过事件驱动的、大量重复的随机模拟来确定预测变量的范围.而基于Kolmogorov前向方程(KFE)研究个体水平的传染病模型,不仅不需要大量的重复模拟来确定预测变量的范围,而且可以同时考虑每种状态发生的概率.因此,基于2009年西安市第八医院甲型H1N1流感数据,建立了基于社交网络的个体决策心理模型,以确定行为改变率;进一步地,为得到传染病传播过程中各状态的概率分布,基于改进的个体SIR模型,通过Markov过程推导出KFE.结果表明:通过数值求解KFE可以得到整个爆发过程中每种状态发生的概率分布、最严重的时间段及相应的概率,从而能更快、更准确地了解甲型H1N1疫情的传播过程,因此有助于高效地进行甲型H1N1疫情防控.