Search

Article

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Study of coupling the age-structured contact patterns to the COVID-19 pandemic transmission

Wang Guo-Qiang Zhang Shuo Yang Jun-Yuan Xu Xiao-Ke

Study of coupling the age-structured contact patterns to the COVID-19 pandemic transmission

Wang Guo-Qiang, Zhang Shuo, Yang Jun-Yuan, Xu Xiao-Ke
PDF
HTML
Get Citation
  • Background: The coronavirus disease 2019 (COVID-19) has raged more than 10 months and it has become a major public health concern. It is necessary to account for the intrinsic mechanisms and reveal the transmission pattern. Method: We collect detailed information of 944 COVID-19 cases in Guangdong province from January 23rd to February 16th. According to the age-structured characteristics, the population is divided into four groups such as child group (0–5 years old), adolescent group (6–19 years old), young and middle-aged group (20–64 years old), elderly group (65 and over years old). Coupling with different age-structured contact patterns, we establish a discrete age-structured COVID-19 model, obtain the basic reproduction number and final size. By Markov Chain Monte Carlo numerical method (MCMC), we identify the model parameters, fit the cumulative cases, calculate eradiation time of disease, infection peak and the peak arrival time, etc. Results: We found that the most infected people are the young and middle-aged individuals; Compared with household quarantine measure, the peak value of hospitalizations among young and middle-aged group in community mode will increase of 41%, and the peak will delay two weeks. By analyzing the proportions of the final sizes associated age groups, it is found that the elderly have a higher susceptibility, while the adolescents have a lower susceptibility. Under the household quarantine measure, if infected individuals have been confirmed in time of half a day, the peak size of hospitalizations will be further reduced, and the peak hospitalization will advance one week. The model reveals social contact patterns for impacting on COVID-19 transmission, and evaluates the effectiveness of household quarantine.
      Corresponding author: Yang Jun-Yuan, yjyang66@sxu.edu.cn ; Xu Xiao-Ke, xuxiaoke@foxmail.com
    [1]

    Guangdong Provincial Health Commission. http://www.gd.gov.cn/gdywdt/gdyw/content/post_2878982.html/ [2020-01-24]

    [2]

    Ankarali H, Ankarali S, Caskurlu H 2020 Asia-Pac. J. Public Health 32 157

    [3]

    金启轩 2020 统计与决策 36 11

    Jin Q X 2020 Statistics & Decision 36 11

    [4]

    张琳 2020 电子科技大学学报 49 345

    Zhang L 2020 J. Univ. Electon. Sci. Technol. China 49 345

    [5]

    曹文静, 刘小菲, 韩卓, 冯鑫, 张琳, 刘肖凡, 许小可, 吴晔 2020 物理学报 69 090203

    Cao W J, Liu X F, Han Z, Feng X, Zhang L, Liu X F, Xu X K, Wu Y 2020 Acta Phys. Sin. 69 090203

    [6]

    李盈科, 赵时, 楼一均, 高道舟, 杨琳, 何岱海 2020 物理学报 69 090202

    Li Y K, Zhao S, Lou Y J, Gao D Z, Yang L, He D H 2020 Acta Phys. Sin. 69 090202

    [7]

    Yang J Y, Wang G Q, Zhang S 2020 Math. Biol. Eng. 17 4500

    [8]

    Tang B, Wang X, Qian L, Nicola L B, Tang S Y, Xiao Y N, Wu J H 2020 J. Clin. Med. 9 462

    [9]

    白媛 2017 博士学位论文 (长春: 吉林大学)

    Bai Y 2017 Ph. D. Dissertation (Changchun: Jilin University) (in Chinese)

    [10]

    Prem K, Alex R, Mark J 2017 PLOS Comput. Biol. 13 e1005697

    [11]

    Li X Z, Yang J Y, Maia M 2020 Age Structured Epidemic Modelling (Switzerland: Springer) p153

    [12]

    Kiesha P, Liu Y, Timothy W R, Adam J K, Rosalind M E, Nicholas D 2020 Lancet Public Health 5 e261

    [13]

    Zhao H, Feng Z L 2020 Math. Biosci. 326 108405

    [14]

    Read J M, Lessler J, Riley S, Wang S, et al. 2014 Proc. R. Soc. B 281 20140268

    [15]

    The Economic Observer https://baijiahao.baidu.com/s?id=1657595901837318521&wfr=spider&for=pc/ [2020-02-04]

    [16]

    Health Commission of Guangdong Province. http://wsjkw.gd.gov.cn/zwyw_yqxx/content/post_2911721.html/ [2020-03-01]

    [17]

    Martcheva M 2015 An Introduction to Mathematical Epidemiology (New York: Springer) p104

    [18]

    Van Den Driessche P, Watmough J 2002 Math. Biosci. 180 29

    [19]

    Horn R A, Jonhson C R 1994 Matrix Analysis (Cambridge: Cambridge University Press) p534

    [20]

    Lasalle J P 1976 The Stability of Dynamical Systems (Philadelphia: SIAM) p30

    [21]

    国务院人口普查办公室, 国家统计局人口和就业统计司2012中国2010年人口普查资料-上 (北京: 中国统计出版社) 第265页

    Census Office of the State Council, Division of Population and Employment Statistics 2012 Data from China's 2010 population census-on (Beijing: China Statistical Press) p265

    [22]

    Guangdong Statistical Yearbook 2019 http://stats.gd.gov.cn/gdtjnj/content/post_2639622.html/ [2019-09-29]

    [23]

    Li Q, Guan X H, Wu P, Wang X Y, Zhou L, Tong Y Q, Ren R Q, Kathy S M, Leung, Eric H Y L, Jessica Y W, Xing X S, Xiang N J 2020 N. Engl. J. Med. 382 1199

    [24]

    肖燕妮, 周义仓, 唐三一 2012 生物数学原理 (西安: 西安交通大学出版社) 第213页

    Xiao Y N, Zhou Y C, Tang S Y 2012 Principle of Biomathematics (Xi'an: Xi'an Jiaotong University Press) p213

    [25]

    Moghadas S M, Shoukat A, Fitzpatrick M C, et al. 2020 Proc. Natl. Acad. Sci. USA 117 9122

    [26]

    Zhang J, Litvinova M, Liang Y, et al. 2020 Science 368 1481

  • 图 1  广东省各年龄组每日新增病例折线图

    Figure 1.  Line chart of new cases for each age group in Guangdong province

    图 2  广东省各年龄组每日新增病例占当日新增总病例百分比图

    Figure 2.  Chart of the percentage of new cases for each age group in the total new cases of each day in Guangdong province

    图 3  (a) 广东省居家模式接触矩阵; (b) 广东省社区模式接触矩阵

    Figure 3.  (a) Household-mode contact matrix of Guangdong; (b) community-mode contact matrix of Guangdong.

    图 4  各年龄组每日累计确诊住院数. 红点表示实际数据, 蓝线表示模型预测均值, 灰色阴影代表95%的置信区间

    Figure 4.  The cumulative number of confirmed cases per day in each age group. The red dots represent the actual data, the blue line represents the solution of model 1, and the shaded gray area represents the 95% confidence interval.

    图 5  各年龄组每日现有确诊住院数$H_k(t)$. 其中蓝线表示模型的解, 灰色阴影部分表示95%置信区间, 红线表示峰值

    Figure 5.  The number of confirmed hospitalized cases per day in each age group. The blue line represents the solution of the model, the shaded gray area represents the 95% confidence interval, and the red line represents the peak.

    图 6  (a) 各年龄组每日累计确诊住院数 (b) 各年龄组每日现有确诊住院数$H_k(t)$.

    Figure 6.  (a) Total number of confirmed hospitalizations per day in each age group. (b) Each age group has the number of confirmed hospitalizations $H_k(t)$ per day.

    图 7  (a)各年龄组最终规模占比图; (b) 各年龄层最终规模占对应年龄层人数占比图

    Figure 7.  (a) The proportions of final size in each age group; (b) The proportion of the final size of each age group in the associated age group.

    图 8  各年龄组每日确诊病例时间序列图. 蓝实线表示居家模式下的每日确诊病例时间序列图, 红虚线表示社区模式下每日确诊病例时间序列图

    Figure 8.  The daily hospitalized cases for each age group over time t. The blue line represents the daily hospitalized cases in the household mode, the red dotted line represents the daily hospitalized cases in the community mode.

    图 9  (a) 参数对基本再生数$R_0$的敏感性分析; (b) 每日现有总确诊住院数$\sum\limits_{k=1}^{4}H_k(t)$取不同确诊率时间序列图

    Figure 9.  (a) The sensitivity analysis of model parameters to $R_0$; (b) the time series diagram of the total hospitalized cases with parameter $h$.

    图 10  均匀混合模型与模型(1)比较图

    Figure 10.  The comparison diagram of uniformly mixed model and model (1)

    表 1  参数定义和参数值

    Table 1.  Parameter definitions and parameter values

    参数 定义 数值 置信区间 数据来源
    $\beta_1$ 0—5岁年龄组
    感染率
    0.0164 [0.0163, 0.0165] MCMC
    $\beta_2$ 6—19岁年龄
    组感染率
    0.0266 [0.0265, 0.0267] MCMC
    $\beta_3$ 20—64岁年龄
    组感染率
    0.0869 [0.0868, 0.0870] MCMC
    $\beta_4$ 65岁及以上年
    龄组感染率
    0.0358 [0.0357, 0.0359] MCMC
    $1/\alpha$ 潜伏期 5.2 文献[14]
    $1/h$ 确诊周期 2.0383 [2.0379, 2.0387] MCMC
    $1/\gamma$ 康复期 10 文献[15]
    DownLoad: CSV

    表 2  变量生物学意义和变量初始值

    Table 2.  The meaning of variables and initial values

    参数 定义 数值 置信区间 数据来源
    $S_1(0)$ 初始时刻0—5岁人群
    易感者数量
    7153800 表4
    $S_2(0)$ 初始时刻6—19岁人
    群易感者数量
    16207482 表4
    $S_3(0)$ 初始时刻20—64岁
    人群易感者数量
    78760477 表4
    $S_4(0)$ 初始时刻65岁及以上
    人群易感者数量
    10664042 表4
    $E_1(0)$ 初始时刻0—5岁
    人群潜伏者数量
    16 [15, 17] MCMC
    $E_2(0)$ 初始时刻6—19岁
    人群潜伏者数量
    31 [30, 32] MCMC
    $E_3(0)$ 初始时刻20—64岁
    人群潜伏数量
    317 [316, 318] MCMC
    $E_4(0)$ 初始时刻65岁及以上
    人群潜伏者数量
    64 [63, 65] MCMC
    $I_1(0)$ 初始时刻0—5岁人
    群染病者数量
    2 [1, 3] MCMC
    $I_2(0)$ 初始时刻6—19岁人
    群染病者数量
    2 [1, 3] MCMC
    $I_3(0)$ 初始时刻20—64岁人
    群染病者数量
    68 [67, 69] MCMC
    $I_4(0)$ 初始时刻65岁及以上
    人群染病者数量
    17 [16, 18] MCMC
    $H_1(0)$ 初始时刻0—5岁人
    群确诊住院数量
    2 文献[16]
    $H_2(0)$ 初始时刻6—19岁人
    群确诊住院数量
    3 文献[16]
    $H_3(0)$ 初始时刻20—64岁
    人群确诊住院数量
    109 文献[16]
    $H_4(0)$ 初始时刻65岁及以上
    人群确诊住院数量
    24 文献[16]
    DownLoad: CSV

    表 3  2010年广东省各年龄段人口(单位: 1000人)

    Table 3.  The number of population for each age group of Guangdong province in 2010 (Unit: 1000)

    年龄 0 1—4岁 5—9岁 10—14岁 15—19岁 20—24岁 25—29岁 30—34岁 35—39岁 40—44岁
    人口 1081 4543 5167 6812 9990 12276 10621 8935 9533 8864
    年龄 45—49岁 50—54岁 55—59岁 60—64岁 65—69岁 70—74岁 75—79岁 80—84岁 85岁以上
    人口 7047 4899 4399 3066 2168 1911 1494 903 611
    DownLoad: CSV

    表 4  2019年广东省各年龄段人口分布(单位: 人)

    Table 4.  The number of population for aggregated age groups in Guangdong province in 2019 (unit: person)

    年龄 $N_1$(0—5岁) $N_2$(5—19岁) $N_3$(20—64岁) $N_4$(65岁以上)
    人口数 7153800 16207482 78760477 10664042
    DownLoad: CSV

    表 5  拟合结果分析

    Table 5.  Analysis of fitting results

    名 称 峰值到达时间 住院峰值/人 最终规模/人 疾病消亡时间
    0—5岁年龄组 2月2日 [2月1日, 2月3日] 11 [10, 12] 28 [23, 33] 3月10日 [3月3日, 3月17日]
    6—19岁年龄组 2月3日 [2月1日, 2月5日] 21 [20, 23] 61 [54, 69] 3月22日 [3月15日, 3月29日]
    20—64岁年龄组 2月3日 [2月2日, 2月4日] 296 [290, 301] 877 [791, 962] 4月22日 [3月31日, 4月30日]
    65岁及以上年龄组 1月31日 [1月29日, 2月1日] 52 [50, 54] 125 [107, 144] 3月23日 [3月9日, 4月5日]
    DownLoad: CSV

    表 6  社区模式住院峰值到达时间及峰值

    Table 6.  Daily peak arrival time and peak values of hospitalized cases in the community mode.

    名 称 0—5岁年
    龄组
    6—19岁年
    龄组
    20—64岁
    年龄组
    65岁及以上
    年龄组
    峰值到达时间 2月4日 2月6日 2月8日 2月1日
    住院峰值 12 27 417 56
    DownLoad: CSV
  • [1]

    Guangdong Provincial Health Commission. http://www.gd.gov.cn/gdywdt/gdyw/content/post_2878982.html/ [2020-01-24]

    [2]

    Ankarali H, Ankarali S, Caskurlu H 2020 Asia-Pac. J. Public Health 32 157

    [3]

    金启轩 2020 统计与决策 36 11

    Jin Q X 2020 Statistics & Decision 36 11

    [4]

    张琳 2020 电子科技大学学报 49 345

    Zhang L 2020 J. Univ. Electon. Sci. Technol. China 49 345

    [5]

    曹文静, 刘小菲, 韩卓, 冯鑫, 张琳, 刘肖凡, 许小可, 吴晔 2020 物理学报 69 090203

    Cao W J, Liu X F, Han Z, Feng X, Zhang L, Liu X F, Xu X K, Wu Y 2020 Acta Phys. Sin. 69 090203

    [6]

    李盈科, 赵时, 楼一均, 高道舟, 杨琳, 何岱海 2020 物理学报 69 090202

    Li Y K, Zhao S, Lou Y J, Gao D Z, Yang L, He D H 2020 Acta Phys. Sin. 69 090202

    [7]

    Yang J Y, Wang G Q, Zhang S 2020 Math. Biol. Eng. 17 4500

    [8]

    Tang B, Wang X, Qian L, Nicola L B, Tang S Y, Xiao Y N, Wu J H 2020 J. Clin. Med. 9 462

    [9]

    白媛 2017 博士学位论文 (长春: 吉林大学)

    Bai Y 2017 Ph. D. Dissertation (Changchun: Jilin University) (in Chinese)

    [10]

    Prem K, Alex R, Mark J 2017 PLOS Comput. Biol. 13 e1005697

    [11]

    Li X Z, Yang J Y, Maia M 2020 Age Structured Epidemic Modelling (Switzerland: Springer) p153

    [12]

    Kiesha P, Liu Y, Timothy W R, Adam J K, Rosalind M E, Nicholas D 2020 Lancet Public Health 5 e261

    [13]

    Zhao H, Feng Z L 2020 Math. Biosci. 326 108405

    [14]

    Read J M, Lessler J, Riley S, Wang S, et al. 2014 Proc. R. Soc. B 281 20140268

    [15]

    The Economic Observer https://baijiahao.baidu.com/s?id=1657595901837318521&wfr=spider&for=pc/ [2020-02-04]

    [16]

    Health Commission of Guangdong Province. http://wsjkw.gd.gov.cn/zwyw_yqxx/content/post_2911721.html/ [2020-03-01]

    [17]

    Martcheva M 2015 An Introduction to Mathematical Epidemiology (New York: Springer) p104

    [18]

    Van Den Driessche P, Watmough J 2002 Math. Biosci. 180 29

    [19]

    Horn R A, Jonhson C R 1994 Matrix Analysis (Cambridge: Cambridge University Press) p534

    [20]

    Lasalle J P 1976 The Stability of Dynamical Systems (Philadelphia: SIAM) p30

    [21]

    国务院人口普查办公室, 国家统计局人口和就业统计司2012中国2010年人口普查资料-上 (北京: 中国统计出版社) 第265页

    Census Office of the State Council, Division of Population and Employment Statistics 2012 Data from China's 2010 population census-on (Beijing: China Statistical Press) p265

    [22]

    Guangdong Statistical Yearbook 2019 http://stats.gd.gov.cn/gdtjnj/content/post_2639622.html/ [2019-09-29]

    [23]

    Li Q, Guan X H, Wu P, Wang X Y, Zhou L, Tong Y Q, Ren R Q, Kathy S M, Leung, Eric H Y L, Jessica Y W, Xing X S, Xiang N J 2020 N. Engl. J. Med. 382 1199

    [24]

    肖燕妮, 周义仓, 唐三一 2012 生物数学原理 (西安: 西安交通大学出版社) 第213页

    Xiao Y N, Zhou Y C, Tang S Y 2012 Principle of Biomathematics (Xi'an: Xi'an Jiaotong University Press) p213

    [25]

    Moghadas S M, Shoukat A, Fitzpatrick M C, et al. 2020 Proc. Natl. Acad. Sci. USA 117 9122

    [26]

    Zhang J, Litvinova M, Liang Y, et al. 2020 Science 368 1481

  • Citation:
Metrics
  • Abstract views:  1453
  • PDF Downloads:  85
  • Cited By: 0
Publishing process
  • Received Date:  20 August 2020
  • Accepted Date:  14 October 2020
  • Available Online:  21 December 2020
  • Published Online:  05 January 2021

Study of coupling the age-structured contact patterns to the COVID-19 pandemic transmission

    Corresponding author: Yang Jun-Yuan, yjyang66@sxu.edu.cn
    Corresponding author: Xu Xiao-Ke, xuxiaoke@foxmail.com
  • 1. Complex Systems Research Center, Shanxi University, Taiyuan 030006, China
  • 2. Shanxi Key Laboratory of Mathematical Techniques and Big Data Analysis on Disease Control and Prevention, Shanxi University, Taiyuan 030006, China
  • 3. College of Information & Communication Engineering, Dalian Minzu University, Dalian 116600, China

Abstract: Background: The coronavirus disease 2019 (COVID-19) has raged more than 10 months and it has become a major public health concern. It is necessary to account for the intrinsic mechanisms and reveal the transmission pattern. Method: We collect detailed information of 944 COVID-19 cases in Guangdong province from January 23rd to February 16th. According to the age-structured characteristics, the population is divided into four groups such as child group (0–5 years old), adolescent group (6–19 years old), young and middle-aged group (20–64 years old), elderly group (65 and over years old). Coupling with different age-structured contact patterns, we establish a discrete age-structured COVID-19 model, obtain the basic reproduction number and final size. By Markov Chain Monte Carlo numerical method (MCMC), we identify the model parameters, fit the cumulative cases, calculate eradiation time of disease, infection peak and the peak arrival time, etc. Results: We found that the most infected people are the young and middle-aged individuals; Compared with household quarantine measure, the peak value of hospitalizations among young and middle-aged group in community mode will increase of 41%, and the peak will delay two weeks. By analyzing the proportions of the final sizes associated age groups, it is found that the elderly have a higher susceptibility, while the adolescents have a lower susceptibility. Under the household quarantine measure, if infected individuals have been confirmed in time of half a day, the peak size of hospitalizations will be further reduced, and the peak hospitalization will advance one week. The model reveals social contact patterns for impacting on COVID-19 transmission, and evaluates the effectiveness of household quarantine.

    • 新冠肺炎“coronavirus disease 2019” (COVID-19)肆虐全球10个多月以来, 截至目前已有7000多万人确诊, 170多万人死亡, 给人类的健康和生活带来极大的危害. 广东作为中国人口第一大省、经济强省, 人口密集且流动频繁, 感染风险颇大. 截至2020年7月16日, 广东省新冠肺炎累计确诊1650 例, 新增病例均为输入性病例, 疫情基本得到控制. 这主要得益于广东各级政府及时启动新冠肺炎疫情防控一级响应[1], 如封城、限制或者停止集会、居家隔离、佩戴口罩等一系列措施. 在此基础上, 了解和掌握新冠肺炎的流行特征和内在传播机制是有效遏制新冠肺炎再次爆发传播的关键.

      分析广东省2020年1月9日到2月16日944例新冠肺炎患者的详细病例数据信息(年龄、性别、接触史、症状、症状出现时间、住院确诊时间等), 发现大多数患者以发热为主要临床症状, 所占比例为73.31%, 而少数患者伴有咳嗽、头晕、肌肉酸痛、乏力等症状; 男性患者占比49.79%, 女性患者占比50.21%. 通过对广东省每日新增病例分段统计(如图1所示), 发现0—5岁、6—19 岁、20—64岁、65岁及以上各年龄组每日新增病例分别于1月31日、2月1日、1月27日及2月2日到达高峰; 由图1发现, 20—64 岁每日新增病例高峰到达时刻早于其他组别, 且变化幅度明显高于其他组别.

      Figure 1.  Line chart of new cases for each age group in Guangdong province

      为了更直观地观测每日新增确诊病例年龄构成, 图2给出了各年龄组每日新增病例占当日新增总病例百分比. 发现每日新增病例占当日新增总病例的百分比20—64岁超过80%, 65岁及以上约为15%, 0—19岁仅为5%. 广东省新冠肺炎患者分布呈现明显的年龄异质性. 如何利用数学模型揭示新冠肺炎传播的年龄异质性, 对新冠肺炎的优化控制至关重要.

      Figure 2.  Chart of the percentage of new cases for each age group in the total new cases of each day in Guangdong province

      现有新冠肺炎模型主要包括以数据驱动的统计模型[2-5]及通过机理分析建立的动力学模型[6-8], 统计建模以数据驱动为特点, 能直观描述疾病的发生和发展过程, 如曹文静等[5]构建了安徽省疫情发展后期的自回归传播模型, 为新冠肺炎疫情的传播早期预测预警提供参考. 动力学模型主要发掘疾病传播的内在传播规律, 评估和预测疾病流行特征. 李盈科等[6]详细阐述了几类新冠肺炎动力学模型及其在早期疾病防控方面的作用, 模型假设人群的接触是均匀混合的, 忽略了接触行为的异质性. 了解和掌握不同年龄段个体接触模式可以更精准地刻画传染病传播的传播途径, 是传染病建模的重要组成部分[9-11]. 广东省采取了严格的管控遏制新冠肺炎的传播, 该措施改变人的行为模式及活动范围. 本文考虑以个体家庭为中心, 将人群的活动距离分为家庭内部(居家模式)和家庭外0.5 km内活动范围(社区模式), 并在两种模式下对不同年龄组之间的接触进行量化, 得到不同模式下的接触矩阵, 结合传播动力学模型, 刻画新冠肺炎在不同人群间的传播. 考虑各年龄层接触模式的异质性对提高新冠肺炎传播的认识及控制具有重要意义, 并可提供理论依据.

      近期, 已有一些学者耦合社会接触模式和动力学建模方法来研究年龄异质性对新冠肺炎的影响[12,13]. 如Kiesha等[12]建立了一个离散年龄结构的SEIR 模型评估不同时间复工对新冠肺炎的影响. 文献[13]评估不同年龄段的错峰复工感染新冠肺炎的风险. 已有的结果主要讨论不同年龄间接触模式对新冠肺炎的风险评估, 对数据的拟合及实际情况的预测略有欠缺. 本文拟合广东省新冠肺炎各年龄层高维数据、辨识模型参数, 揭示社会接触行为对新冠肺炎传播的影响, 评估各种策略对新冠肺炎传播的影响.

    2.   模型假设和构建
    • 1) 2020年1月23日至2月19日时间跨度较短; 1月23日距除夕仅一天, 春运基本结束, 而且各级政府已于1于23日实行封城, 人口流动因素可以忽略. 因此可忽略人口出生和自然死亡, 不考虑人口迁移, 假设广东省人口为固定常数.

      2)自1月23日起, 全国各地开始实行严格的居家式隔离, 人与人之间主要以家庭单位接触, 故假设广东省人群接触方式为家庭式接触.

      3) 假设广东省的医疗资源充足, 被确诊的染病者能得到及时救治.

      4) 假设确诊者入院后被完全隔离, 不再具有传染性.

    • 依据广东省新冠肺炎传播特征, 将广东省人口分成0—5岁、6—19岁、20—64岁以及65岁及以上4个不同层次, 刻画广东省新冠肺炎在儿童、青少年、中青年、老年人群中的流行特征. 用$ N_1 $ 表示0—5岁的总人口, $ N_2 $表示6—19岁的总人口, $ N_3 $表示20—64岁总人口, $ N_4 $表示65岁及以上老年人的数量. 依据SEIHR仓室建模理论, 将第$ k(k = 1, 2, 3, 4) $年龄段总人口$ N_k(t) $分成五种不同的人群, 即易感者、潜伏者、染病者、确诊住院者和康复者, 分别用$ S_k(t) $, $ E_k(t) $, $ I_k(t) $, $ H_k(t) $$ R_k(t) $表示. 第$ k $年龄阶段易感者的个体和$ j $年龄阶段染病个体平均接触数为$ c_{kj} $, 第$ k $年龄段和$ j $ 年龄段染病者接触数为$c_{kj}\dfrac{I_j}{N_j}$, 总接触数为$\displaystyle\sum\limits_{j = 1}^4 c_{kj}\dfrac{I_j}{N_j}.$$ k $年龄段的易感个体以传播概率$ \beta_k $被感染而转变成潜伏个体$ E_k $. 潜伏个体经过$ 1/\alpha $天潜伏变成染病个体. 染病个体经过$ 1/h $天进入医院确诊. 确诊住院个体经过$ 1/\gamma $天转化成康复个体. 上述新冠肺炎状态间的转化可用如下微分方程组表述:

      假设(1)式表示的模型1具有如下初值:

      模型各参数的生物学意义及取值参见表1. 第$ k $个年龄组初始时刻的易感者数量、潜伏者数量、染病者数量、确诊者数量的具体取值见表2.

      参数 定义 数值 置信区间 数据来源
      $\beta_1$ 0—5岁年龄组
      感染率
      0.0164 [0.0163, 0.0165] MCMC
      $\beta_2$ 6—19岁年龄
      组感染率
      0.0266 [0.0265, 0.0267] MCMC
      $\beta_3$ 20—64岁年龄
      组感染率
      0.0869 [0.0868, 0.0870] MCMC
      $\beta_4$ 65岁及以上年
      龄组感染率
      0.0358 [0.0357, 0.0359] MCMC
      $1/\alpha$ 潜伏期 5.2 文献[14]
      $1/h$ 确诊周期 2.0383 [2.0379, 2.0387] MCMC
      $1/\gamma$ 康复期 10 文献[15]

      Table 1.  Parameter definitions and parameter values

      参数 定义 数值 置信区间 数据来源
      $S_1(0)$ 初始时刻0—5岁人群
      易感者数量
      7153800 表4
      $S_2(0)$ 初始时刻6—19岁人
      群易感者数量
      16207482 表4
      $S_3(0)$ 初始时刻20—64岁
      人群易感者数量
      78760477 表4
      $S_4(0)$ 初始时刻65岁及以上
      人群易感者数量
      10664042 表4
      $E_1(0)$ 初始时刻0—5岁
      人群潜伏者数量
      16 [15, 17] MCMC
      $E_2(0)$ 初始时刻6—19岁
      人群潜伏者数量
      31 [30, 32] MCMC
      $E_3(0)$ 初始时刻20—64岁
      人群潜伏数量
      317 [316, 318] MCMC
      $E_4(0)$ 初始时刻65岁及以上
      人群潜伏者数量
      64 [63, 65] MCMC
      $I_1(0)$ 初始时刻0—5岁人
      群染病者数量
      2 [1, 3] MCMC
      $I_2(0)$ 初始时刻6—19岁人
      群染病者数量
      2 [1, 3] MCMC
      $I_3(0)$ 初始时刻20—64岁人
      群染病者数量
      68 [67, 69] MCMC
      $I_4(0)$ 初始时刻65岁及以上
      人群染病者数量
      17 [16, 18] MCMC
      $H_1(0)$ 初始时刻0—5岁人
      群确诊住院数量
      2 文献[16]
      $H_2(0)$ 初始时刻6—19岁人
      群确诊住院数量
      3 文献[16]
      $H_3(0)$ 初始时刻20—64岁
      人群确诊住院数量
      109 文献[16]
      $H_4(0)$ 初始时刻65岁及以上
      人群确诊住院数量
      24 文献[16]

      Table 2.  The meaning of variables and initial values

    • 基本再生数是传染病防控中一个非常重要的量. 基本再生数$ R_0 $表示在一个全部都是易感者的环境中一个染病者在整个染病期内二次传染人数的平均值. 在疾病传播初期, 如果$ R_0 < 1 $, 疾病消亡; 否则, 疾病流行. 模型1有惟一的无病平衡点

      这里$ N_k(k = 1, 2, 3, 4) $分别表示广东省0—5岁、6—19岁、20—64岁及65岁及以上人口数.

      利用文献[17,18]计算模型1基本再生数. 在无病平衡点$ P_0 $处线性化模型1, 定义

      其中${{I}_{\rm d}}$$ 4 \times 4 $单位矩阵, ${{0}}$$ 4\times4 $零矩阵,

      其中$ \rho $表示矩阵的谱半径.

      容易验证, 当初值条件满足(2)式时模型1的解是非负的. 注意到$N_k(t) = S_k(t)+E_k(t)+I_k(t)+ H_k(t)+ R_k(t)$, 那么$\dfrac{{\rm d}N_k(t)}{{\rm d}t} = 0,$故各年龄层人口数$ N_k $保持不变. 从而区域

      是模型(1)的一个正向不变集.

      定理1 假设矩阵${{ F}_1}$不可约且$ R_0 < 1 $, 则无病平衡点$ P_0 $全局渐近稳定.

      证明 由矩阵$ {{ F}_1} $的不可约性, 结合Perron-Frobenius[19] 定理, 矩阵${{ F}_1}$存在一个单的特征根$\rho({{ F}_1}) = hR_0$和一个正的左特征向量$ {{\omega}} = (\omega_1,\;\omega_2,\;\omega_3,\;\omega_4) $, 满足$ {{\omega}} {{ F}_1} = h\rho({{ F}_1}){{\omega}} = hR_0{{\omega}} $.

      ${{E}} \!=\! (E_1,E_2,E_3,E_4)^{\rm{T}}$${{I}} = (I_1,I_2,I_3,I_4)^{\rm{T}}$, 构建如下Lyapunov函数:

      其中$ \omega_k(k = 1, 2, 3, 4) $$ h\rho({{F}}_1) $对应特征向量的分量.

      $ L $沿模型1解轨线求全导数得

      如果$ R_0 < 1 $, 由$ {{\omega}} $正性得到$ L' = 0 $的充要条件为$ {{I}} = 0 $. 从而最大不变集$ M $只包含惟一的无病平衡点$ P_0 $. 由LaSalle不变集原理[20]知, 当$ R_0 < 1 $时, 无病平衡点$ P_0 $是全局渐近稳定的.

      定理1表明只要基本再生数小于1, 就不会有新增新冠肺炎患者, 疾病得以控制.

      最终规模是指在整个疾病流行期间内感染的总人数. 在传染病传播中, 用来刻画疾病传播的危害程度. 实际上由模型1可得, 第$ k $年龄层的累计病例数

      即为各年龄组的最终规模.

      首先, 由模型1的第一个方程得出$ S_k(t) $单调递减, 故$ S_k(\infty) $存在. 将模型1第一个方程分离变量积分得

      因此, 反常积分$ \int_0^\infty I_k(t){\rm d}t $存在. 由$ I_k(t) $的非负性得$ I_k(\infty) = 0. $同理, 由第三个方程得$ E_k(\infty) = 0. $

      其次, 将模型1的前三个方程相加并积分得

      最后, 将(10)式代入到(9)式, 得到模型1各年龄层最终规模为

      其中$ S_{k}(\infty) $表示第$ k $年龄层易感者的最终规模. 事实上, 新冠肺炎的易感初始人群$ S_{k}(0) $已知; 若通过数据辨识模型参数$ \beta_k $$ h $、接触矩阵${ c}_{kj}$及初值$ E_{j}(0) $$ I_{j}(0) $, 根据(11)式可求出$ S_{k}(\infty) $, 进而得到第$ k $年龄层的染病最终规模为$S_{k}(0)+E_{k}(0)+ I_{k}(0)-S_{k}(\infty)$.

    • 通过查阅中国2010年人口普查资料[21], 得到2010年广东省各年龄层统计数据(见表3).

      年龄 0 1—4岁 5—9岁 10—14岁 15—19岁 20—24岁 25—29岁 30—34岁 35—39岁 40—44岁
      人口 1081 4543 5167 6812 9990 12276 10621 8935 9533 8864
      年龄 45—49岁 50—54岁 55—59岁 60—64岁 65—69岁 70—74岁 75—79岁 80—84岁 85岁以上
      人口 7047 4899 4399 3066 2168 1911 1494 903 611

      Table 3.  The number of population for each age group of Guangdong province in 2010 (Unit: 1000)

      随后依据广东省2010年到2019年各年度人口增长和出生率[22], 估算出现有年龄段人口分布(见表4).

      年龄 $N_1$(0—5岁) $N_2$(5—19岁) $N_3$(20—64岁) $N_4$(65岁以上)
      人口数 7153800 16207482 78760477 10664042

      Table 4.  The number of population for aggregated age groups in Guangdong province in 2019 (unit: person)

      由文献[23]可知新冠肺炎的平均潜伏期为5.2天, 故可以假设$ \alpha = 1/5.2 $; 根据国家卫健委新闻发布会[15], 湖北省外患者从确诊住院到恢复出院时长约为10天, 故可假设$ \gamma = 1/10 $.

      从模型1不难发现, 计算接触矩阵${c}_{ij}(i,\;j = 1,\;2,\;3,\;4)$非常关键[7,11]. 文献[14]对广东省城乡人口的出行和接触方式进行了调查, 考虑个体活动范围(家庭内部和外部接触), 得到了不同活动范围下的接触矩阵—家庭内部接触矩阵、以家庭为中心半径0.5 km内的接触矩阵及半径超过0.5 km的接触矩阵. 本文将家庭内部接触矩阵定义为居家模式接触矩阵, 将活动半径0.5 km以内和居家模式接触矩阵的和定义为社区模式接触矩阵. 本次新冠肺炎的传播主要考虑儿童、青少年、中青年及老年人的流行病学特征和文献[14] 各年龄层的划分相契合.

      广东省于1月23日出台一系列严格的控制措施, 如封城、居家隔离、停工、停课等, 各年龄段的人群接触近似于居家模式. 将文献[14]中家庭模式下的接触矩阵(图3(a))作为疫情期间采取居家隔离的接触矩阵. 引入社区模式接触矩阵(图3(b))评估居家隔离措施对新冠肺炎的影响. 接触矩阵中的元素$ c_{kj} $表示$ k $年龄组的个体与$ j $年龄组人群的接触数.

      Figure 3.  (a) Household-mode contact matrix of Guangdong; (b) community-mode contact matrix of Guangdong.

    3.   模型拟合结果
    • 模型1中第$ k $年龄组每日新增确诊病例为$ hI_k(t) $, 从而第T天的累计确诊病例为

      结合马尔科夫链蒙特卡罗方法(MCMC)[24]拟合累计病例数据, 同时采取Metropolis-Hastings(M-H)算法校准参数值和初值(见表1表2). 此算法随机模拟20000次, 从第8000次模拟截断, 计算后12000次模拟平均值.

      基于各年龄组每日累计确诊病例, 分别拟合0—5岁(儿童组), 6—19岁(青少年组), 20—64岁(中青年组), 65岁及以上(老年组)四个年龄组的累计病例随时间的变化图(如图4图5所示). 不难发现拟合的整体效果比较理想. 但0—5岁年龄组的拟合偏差稍大, 主要是由于0—5岁病例样本量较少, 拟合噪声影响较强, 导致实际数据和模型拟合结果有一定偏差.

      Figure 4.  The cumulative number of confirmed cases per day in each age group. The red dots represent the actual data, the blue line represents the solution of model 1, and the shaded gray area represents the 95% confidence interval.

      Figure 5.  The number of confirmed hospitalized cases per day in each age group. The blue line represents the solution of the model, the shaded gray area represents the 95% confidence interval, and the red line represents the peak.

      根据拟合结果, 通过比较各年龄组的累计确诊住院病例曲线(图6(a))和每日现有确诊住院曲线(图6(b)), 发现儿童及青少年感染人数明显少于老年组和中青年组, 呈现明显的年龄异质性; 图6(b)表明老年组每日现有确诊峰值最先到达、儿童组紧随其后、中青年组最后到达. 具体各个年龄组的住院病例峰值到达时间、住院峰值、最终规模、消亡时间见表5.

      名 称 峰值到达时间 住院峰值/人 最终规模/人 疾病消亡时间
      0—5岁年龄组 2月2日 [2月1日, 2月3日] 11 [10, 12] 28 [23, 33] 3月10日 [3月3日, 3月17日]
      6—19岁年龄组 2月3日 [2月1日, 2月5日] 21 [20, 23] 61 [54, 69] 3月22日 [3月15日, 3月29日]
      20—64岁年龄组 2月3日 [2月2日, 2月4日] 296 [290, 301] 877 [791, 962] 4月22日 [3月31日, 4月30日]
      65岁及以上年龄组 1月31日 [1月29日, 2月1日] 52 [50, 54] 125 [107, 144] 3月23日 [3月9日, 4月5日]

      Table 5.  Analysis of fitting results

      Figure 6.  (a) Total number of confirmed hospitalizations per day in each age group. (b) Each age group has the number of confirmed hospitalizations $H_k(t)$ per day.

      表5表明每日现有确诊住院数高峰老年组(65岁及以上)于1月31日到达, 儿童(0—5岁)于2月2日到达, 青少年组(6—19岁)和中青年组(20—64岁)于2月3日到达. 由图7(a)可以看出20—64岁年龄组每日现有确诊住院峰值占比最多, 65 岁及以上年龄组次之, 0—5岁年龄组最少; 各年龄层最终规模(图7(a))和高峰占比构成相似; 住院病例多为中青年和老年人. 该结论为针对不同的年龄人群预备和筹集相应的医疗资源提供了关键信息. 通过比较表1中传播概率$ \beta_1,\;\beta_2,\;\beta_3,\;\beta_4 $以及各年龄组最终规模, 得出青少年感染新冠肺炎风险较低, 20—64岁中青年染病风险较高. 结合表4表5的数据计算各年龄层最终规模占对应年龄层人数占比, 结果如图7(b)所示. 不难发现, 65岁及以上年龄患者占比最高, 而6—19岁年龄组患者占比最低. 因此, 老年人群易感染新冠肺炎, 该年龄组人群应该加强日常新冠肺炎预防.

      Figure 7.  (a) The proportions of final size in each age group; (b) The proportion of the final size of each age group in the associated age group.

    4.   控制策略评估
    • 为了评估居家隔离效果, 改变接触模式, 允许个体以家庭为中心, 在半径为0.5 km的范围内活动, 该接触模式定义为图3(b)所示的社区模式. 比较两种接触模式下各年龄组感染新冠肺炎的变化.

      图8表明在社区模式下, 各年龄组的每日现有确诊病例数峰值及到达时间有显著差异, 其中, 0—5岁年龄组每日现有确诊病例数住院高峰时间将推迟2天, 峰值增加9%; 6—19岁年龄组高峰到达时间推迟3天, 峰值增加29%; 20—64岁年龄组高峰时间推迟近1周, 峰值增加41%; 65岁及以上年龄组峰值到达时间推迟1天, 峰值增加8% (表6).

      名 称 0—5岁年
      龄组
      6—19岁年
      龄组
      20—64岁
      年龄组
      65岁及以上
      年龄组
      峰值到达时间 2月4日 2月6日 2月8日 2月1日
      住院峰值 12 27 417 56

      Table 6.  Daily peak arrival time and peak values of hospitalized cases in the community mode.

      Figure 8.  The daily hospitalized cases for each age group over time t. The blue line represents the daily hospitalized cases in the household mode, the red dotted line represents the daily hospitalized cases in the community mode.

      定理1表明基本再生数小于1能有效控制新冠肺炎的传播. 为此, 采用拉丁超立方抽样方法分析模型参数对基本再生数的影响, 结果如图9(a)所示. 可以看出, 减小传染概率$ \beta_k (k = 1, 2, 3, 4) $和提高确诊率能有效降低新冠肺炎的传播. 在居家模式下, 提高确诊率比其他控制策略更有效.

      Figure 9.  (a) The sensitivity analysis of model parameters to $R_0$; (b) the time series diagram of the total hospitalized cases with parameter $h$.

      在居家隔离政策下, 对比$ 1/h $天后确诊对疫情高峰的影响, 分别取参数值$ h $ = 0.5, $ h $ = 1.0, $ h $ = 2.0, 即确诊期分别为2天, 1天和0.5天, 其他参数值保持不变, 结果如图9(b)所示. 可以看出, 如果感染者出现症状后立刻去医院检测, 特别是在出现症状后半天内确诊, 会明显降低住院高峰人数, 同时也能缩短疫情消亡时间. 说明及时就诊能有效遏制新冠肺炎的蔓延.

      通过以上控制措施评估效果可以发现, 实施居家隔离措施、及时隔离确诊病例并对其进行治疗是疫情防控的关键. 以上所有分析都基于医疗资源充足, 若考虑感染者在出现症状后不能及时得到确诊, 该模型还需要进一步修改和完善.

    5.   讨 论
    • 本文分析了广东省944例新冠肺炎患者信息, 发现广东省新冠肺炎患者各年龄患者的构成比例有显著差异. 通过建立耦合不同年龄层接触模式的SEIHR模型, 基于现实病例数据, 利用MCMC方法, 辨识模型参数, 分析不同年龄段人群的新冠肺炎的传播趋势, 计算出基本再生数$ R_0 $ = 1.2323(95% CI [1.2316, 1, 2329])和最终规模分别为0—5岁年龄组28例(95% CI [23, 33]), 6—19岁年龄组61例(95% CI [54, 69]), 20—64岁年龄组877例(95% CI [791, 962]), 65岁及以上年龄组125例(95% CI [107, 144]). 研究发现居家模式对疫情的控制非常有效, 如果政策适当放松, 即社区模式下染病人数上升明显, 其中20—64岁(中青年组)染病峰值比居家模式增加41%. 通过分析不同年龄层感染最终规模在对应年龄层人口数的占比, 发现老年人感染新冠肺炎风险较高, 青少年的感染风险较低.

      耦合不同年龄层人群接触模式的传染病动力学模型, 本质上刻画了不同社会接触模式(物理距离)对新冠肺炎传播的影响, 揭示不同年龄段人群的新冠肺炎的流行特征和规律. 同时能准确捕捉不同控制策略下, 人的社会行为对新冠肺炎的影响. 结果表明在严格管控措施下, 提高确诊和隔离率是遏制新冠肺炎传播的关键. 耦合年龄结构的传染病模型为合理调派医疗资源和节约成本提供了理论依据.

      图6较准确地拟合了各年龄组的确诊病累计例数, 表明模型1能客观反映广东省新冠肺炎在各年龄组间的实际传播情况. 与传统的均匀混合的SEIHR仓室模型相比, 模型1能较准确了解新冠肺炎与年龄及物理接触距离的关系, 能捕捉各个年龄组人群之间的传播动态, 能较清晰地评估居家隔离对各年龄组新冠肺炎传播的影响. 通过数值模拟发现, 经典的均匀混合模型会高估新冠肺炎在广东省的传播, 可能对及时复工复产发出误导信息(见图10).

      Figure 10.  The comparison diagram of uniformly mixed model and model (1)

      本文虽然详细地讨论了年龄异质性及物理接触距离对新冠肺炎的影响, 但模型的建立仍有许多不足.首先接触矩阵的数据由文献[14]直接获得, 虽然我们采用和文献[25,26]类似的聚合方法更新接触数据, 但获得的信息与实际情况有一定的偏差. 受限于获得信息的不完整, 目前只能依赖文献[14]提供的数据将年龄进行分层. 将来如果采用更加精确的遥感设备, 精确记录每天各年龄组的接触数据, 进而能设计更加合理的分组方式来研究新冠肺炎的传播. 其次, 由于缺乏实际详细信息, 模型1假设参数(除感染率外)都和年龄无关, 实际上由于各年龄层个体体质不同, 不同年龄层的康复期略有不同, 那么康复率应该是一个与年龄有关的函数. 我们将对这些遗留问题进行进一步改进和完善.

Reference (26)

Catalog

    /

    返回文章
    返回