目的探讨动态清零防控策略中新型冠状病毒全员核酸检测追踪隔离(citywide test-trace-isolation,CTTI)的最小轮次,为医疗资源的优化配置提供参考依据。方法利用微元法建模思想和二项分布性质,构建了估算CTTI最小轮次的单目标优化模型,...目的探讨动态清零防控策略中新型冠状病毒全员核酸检测追踪隔离(citywide test-trace-isolation,CTTI)的最小轮次,为医疗资源的优化配置提供参考依据。方法利用微元法建模思想和二项分布性质,构建了估算CTTI最小轮次的单目标优化模型,并进行实证评估和仿真模拟分析。结果最小轮次与核酸检测灵敏度和CTTI期间的隔离控制强度呈负相关,得到了能够达成动态清零目标的临界核酸检测灵敏度和CTTI期间隔离控制临界强度公式。本研究的模型模拟结果与2021年12月西安市Delta变异株疫情、2022年3月重庆市Omicron变异株疫情以及2022年1月深圳市“0131”Omicron变异株疫情演变都具有较好的一致性。仿真结果发现,CTTI期间的隔离控制强度对CTTI最小轮次的估计值影响最大,常态化防疫中发现首例本土感染者的时间与最终检出的感染者总数呈指数相关。结论为了降低疫情防控成本,优化卫生资源需求量,建议把CTTI策略调整为重点区域核酸检测追踪隔离(key areas test-trace-isolation,KTTI)策略。为了尽快达成动态清零目标,除了提高筛查精度和鼓励疫苗接种之外,CTTI或KTTI期间尤其需严格遵守防疫措施,最大限度减少病毒传播。展开更多
目的基于传染病动力学SEAIQR(susceptible-exposed-asymptomatic-infected-quarantined-removed)模型和Dropout-LSTM(Dropout long short term memory network)模型预测西安市新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为评估“动态清...目的基于传染病动力学SEAIQR(susceptible-exposed-asymptomatic-infected-quarantined-removed)模型和Dropout-LSTM(Dropout long short term memory network)模型预测西安市新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为评估“动态清零”策略防控效果提供科学依据。方法考虑到西安市本轮疫情存在大量的无症状感染者、依时变化的参数以及采取的管控举措等特点,构建具有阶段性防控措施的时变SEAIQR模型。考虑到COVID-19疫情数据的时序性特征及它们之间的非线性关系,构建深度学习Dropout-LSTM模型。选用2021年12月9日-2022年1月31日西安市新增确诊病例数据进行拟合,用2022年2月1日-2022年2月7日数据评估预测效果,计算有效再生数(R_(t))并评价不同参数对疫情发展的影响。结果SEAIQR模型预测的新增确诊病例拐点预计在2021年12月26日出现,约为176例,疫情将于2022年1月24日实现“动态清零”,模型R^(2)=0.849。Dropout-LSTM模型能够体现数据的时序性与非线性特征,预测出的新增确诊病例数与实际情况高度吻合,R^(2)=0.937。Dropout-LSTM模型的MAE和RMSE均较SEAIQR模型低,说明预测结果更为理想。疫情暴发初期,R 0为5.63,自实施全面管控后,R_(t)呈逐渐下降趋势,直到2021年12月27日降至1.0以下。随着有效接触率不断缩小、管控措施的提早实施及免疫阈值的提高,新增确诊病例在到达拐点时的人数将会持续降低。结论建立的Dropout-LSTM模型实现了较准确的疫情预测,可为COVID-19疫情“动态清零”防控决策提供借鉴。展开更多
文摘目的探讨动态清零防控策略中新型冠状病毒全员核酸检测追踪隔离(citywide test-trace-isolation,CTTI)的最小轮次,为医疗资源的优化配置提供参考依据。方法利用微元法建模思想和二项分布性质,构建了估算CTTI最小轮次的单目标优化模型,并进行实证评估和仿真模拟分析。结果最小轮次与核酸检测灵敏度和CTTI期间的隔离控制强度呈负相关,得到了能够达成动态清零目标的临界核酸检测灵敏度和CTTI期间隔离控制临界强度公式。本研究的模型模拟结果与2021年12月西安市Delta变异株疫情、2022年3月重庆市Omicron变异株疫情以及2022年1月深圳市“0131”Omicron变异株疫情演变都具有较好的一致性。仿真结果发现,CTTI期间的隔离控制强度对CTTI最小轮次的估计值影响最大,常态化防疫中发现首例本土感染者的时间与最终检出的感染者总数呈指数相关。结论为了降低疫情防控成本,优化卫生资源需求量,建议把CTTI策略调整为重点区域核酸检测追踪隔离(key areas test-trace-isolation,KTTI)策略。为了尽快达成动态清零目标,除了提高筛查精度和鼓励疫苗接种之外,CTTI或KTTI期间尤其需严格遵守防疫措施,最大限度减少病毒传播。
文摘目的基于传染病动力学SEAIQR(susceptible-exposed-asymptomatic-infected-quarantined-removed)模型和Dropout-LSTM(Dropout long short term memory network)模型预测西安市新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为评估“动态清零”策略防控效果提供科学依据。方法考虑到西安市本轮疫情存在大量的无症状感染者、依时变化的参数以及采取的管控举措等特点,构建具有阶段性防控措施的时变SEAIQR模型。考虑到COVID-19疫情数据的时序性特征及它们之间的非线性关系,构建深度学习Dropout-LSTM模型。选用2021年12月9日-2022年1月31日西安市新增确诊病例数据进行拟合,用2022年2月1日-2022年2月7日数据评估预测效果,计算有效再生数(R_(t))并评价不同参数对疫情发展的影响。结果SEAIQR模型预测的新增确诊病例拐点预计在2021年12月26日出现,约为176例,疫情将于2022年1月24日实现“动态清零”,模型R^(2)=0.849。Dropout-LSTM模型能够体现数据的时序性与非线性特征,预测出的新增确诊病例数与实际情况高度吻合,R^(2)=0.937。Dropout-LSTM模型的MAE和RMSE均较SEAIQR模型低,说明预测结果更为理想。疫情暴发初期,R 0为5.63,自实施全面管控后,R_(t)呈逐渐下降趋势,直到2021年12月27日降至1.0以下。随着有效接触率不断缩小、管控措施的提早实施及免疫阈值的提高,新增确诊病例在到达拐点时的人数将会持续降低。结论建立的Dropout-LSTM模型实现了较准确的疫情预测,可为COVID-19疫情“动态清零”防控决策提供借鉴。