新型冠状病毒肺炎常态化防控措施下的疫情演进分析

雷锦志 徐闯 刘胜强 裴永珍

雷锦志, 徐闯, 刘胜强, 裴永珍. 新型冠状病毒肺炎常态化防控措施下的疫情演进分析[J]. 疾病监测.
引用本文: 雷锦志, 徐闯, 刘胜强, 裴永珍. 新型冠状病毒肺炎常态化防控措施下的疫情演进分析[J]. 疾病监测.
Lei Jinzhi, Xu Chuang, Liu Shengqiang, Pei Yongzhen. Analysis on Coronavirus disease 2019 epidemic progress under routine prevention and control[J]. Disease Surveillance.
Citation: Lei Jinzhi, Xu Chuang, Liu Shengqiang, Pei Yongzhen. Analysis on Coronavirus disease 2019 epidemic progress under routine prevention and control[J]. Disease Surveillance.

新型冠状病毒肺炎常态化防控措施下的疫情演进分析

详细信息
    作者简介:

    雷锦志,男,广东省台山市人,博士,教授,主要从事应用数学工作

    通讯作者:

    雷锦志,Tel:022–83956329,Email:jzlei@tiangong.edu.cn

  • 中图分类号: R211; R51

Analysis on Coronavirus disease 2019 epidemic progress under routine prevention and control

More Information
  • 摘要:   目的  通过构建基于接触网络和个体状态变化的计算模型,探究常态化条件下应对新型冠状病毒肺炎(COVID-19)突发病例的防控措施,以及对不同突发情况模拟相应防控措施下的疫情演进过程,为疾控部门制定方案和进行疫情预测提供理论和方法支撑。  方法  通过基于个体模型评估COVID-19病例直接密切接触者隔离和次级密切接触者隔离对防控的影响;分别模拟零星突发、聚集性突发和连续输入病例在常态化防控措施下的疫情演变动力学过程。  结果  模拟结果表明,对COVID-19病例次级密切接触者追踪隔离的疫情控制措施效果显著,与仅采取对直接密切接触者的隔离措施相比,大大降低了疫情的规模。 根据模型计算提出的常态化防控策略,可以有效控制零星突发、聚集性突发和连续输入病例所引起的疫情发展。  结论  基于模型对不同情况下的疫情演变过程进行计算,评估了常态化条件下疫情防控措施的有效性,表明次级密切接触者隔离措施对于疫情的有效防控是必要的,建议疫情发生后尽早执行密切接触者隔离和限制接触措施。
  • 图  1  2020年中国新型冠状病毒肺炎疫情趋势

    Figure  1.  Epidemic dynamics of COVID-19 in China, 2020

    图  2  2020年1-3月江苏、安徽、河南省新型冠状病毒肺炎实际病例数和模型拟合病例数

    注:每个省的模型拟合结果采用相同的参数计算50次,每次计算对应于图中一条灰色的线

    Figure  2.  Daily infected cases and model simulation case numbers of COVID-19 in Jiangsu, Anhui, and Henan provinces, January-March, 2020

    图  3  采用不同密切接触者隔离率计算的结果

    注:A. 采用一层隔离措施的情况下疫情中病例新增趋势,隔离率分别为0.5(绿色)、0.7(蓝色)和0.9(红色),实线表示100次随机模拟的平均每日新增病例数,阴影部分表示100次随机模拟情况下的数值范围;B. 采用两层隔离措施下疫情中病例新增趋势,这里第一层隔离率为 0.7,第二层隔离率分别为 0(蓝色)、0.3(黄色)、0.5(粉红色)和0.7(黑色);C. 采用6种不同隔离率控制策略下的每日新增病例数峰值箱线图;D. 采用6种不同隔离率控制策略下的累计总病例数箱线图;A和B中实线表示100次随机模拟的平均每日新增病例数,阴影部分表示100次随机模拟情况下的数值范围;C和D中横坐标分别表示第一层和第二层密切接触者隔离率的不同组合情况,采用箱线图表示每种情况对应的平均病例数和变化范围,+. 表示异常值

    Figure  3.  Simulation results with different rates of close contacts quarantine

    图  4  三级响应与二级响应防控措施的模拟控制效果

    注:A. 比较三级响应和二级响应情况下的每日新增病例数,实线表示模拟100次运算的平均值,阴影表示100次随机模拟的数值范围;B. 比较三级响应和二级响应下的累计确诊病例数,实线表示模拟100次运算的平均值,阴影部表示100次随机模拟的数值范围;C. 比较三级响应和二级响应下的疫情被控制需要的时间分布,纵坐标表示在 100 次计算中疫情被控制时间的模拟次数

    Figure  4.  Control effect of Level 3 and Level 2 responses

    图  5  递进式防控措施

    Figure  5.  Proposed progressive control measure

    图  6  偶发1例病例后采用递进式防控措施的控制效果

    注:A. 每日新增病例数随时间变化曲线,实线表示100次随机模拟的平均每日新增人数,阴影部分表示100次随机模拟情况下的数值范围;B. 100 次计算中疫情被控制住的时间的次数;C. 模拟计算得到的累计总病例数和从首例病例从被感染到首次报告确诊病例时间的关系,在这里首次报告的确诊病例不一定是首例被感染的病例

    Figure  6.  Effect of progressive control measures after incidence of one case

    图  7  发生聚集性疫情后采用递进式防控措施的效果

    注:A. 每日新增病例数随时间变化曲线,实线标示100次随机模拟的平均每日新增感染病例数,阴影标示100次随机模拟的数值变化范围;B. 3种聚集性疫情被控制住所需时间的箱线图,+. 表示异常值

    Figure  7.  Effect of progressive control measures after incidence of case cluster

    图  8  发生连续输入型突发病例后采用递进式防控措施的效果

    注:A. 每日新增病例数随时间变化曲线,实线表示不同输入病例频率下100次随机模拟的平均每日新增病例数,阴影表示100次随机模拟的数值范围;B. 疫情被控制所需时间箱线图;C. 每日新增病例数峰值的箱线图;D. 累计总病例数的箱线图;+. 表示异常值

    Figure  8.  Effect of progressive control measures after continuous case importation

    表  1  采用模型拟合江苏省新型冠状病毒肺炎疫情演变的参数值

    Table  1.   Parameter values used for model simulation of COVID-19 epidemic in Jiangsu

    参数意义范围估计值
    N个体数量(例)2 000~5 0003 566
    K平均密切接触者数量(例)10~3012
    P接触网络随机重连概率0~10.1854
    $ \mathbf{\beta } $接触感染概率0~10.0879
    $ \mathbf{\theta } $潜伏期传染性调节因子0~10.1703
    $ \mathbf{\eta } $确诊速率(/d)0~10.4756
    $ \mathbf{\mu } $移除速率(/d)0~10.1029
    下载: 导出CSV
  • [1] World Health Organization. WHO coronavirus disease (COVID-19) dashboard[EB/OL]. (2021–01–22)[2021–01–22]. https://covid19.who.int/.
    [2] 房元圣, 武洁雯, 梁作如, 等. 2021年1月全球新型冠状病毒肺炎疫情风险评估[J]. 疫情监测,2021,36(2):110–113. DOI: 10.3784/jbjc.2021022400086.

    Fang YS, Wu JW, Liang ZR, et al. Risk assessment of global COVID-19 pandemic in January 2021[J]. Dis Surveill, 2021, 36(2): 110–113. DOI:  10.3784/jbjc.2021022400086.
    [3] 中华人民共和国国家卫生健康委员会. 新型冠状病毒肺炎疫情防控动态[EB/OL]. (2021–01–22)[2021–01–22]. http://www.nhc.gov.cn/xcs/xxgzbd/gzbd_index.shtml.

    National Health Commission of the People′s Republic of China. Dynamic of prevention and control in epidemic of COVID-19[EB/OL]. (2021–01–22)[2021–01–22]. http://www.nhc.gov.cn/xcs/xxgzbd/gzbd_index.shtml.
    [4] 李倩, 肖燕妮, 吴建宏, 等. COVID-19疫情时滞模型构建与确诊病例驱动的追踪隔离措施分析[J]. 应用数学学报,2020,43(2):96–108.

    Li Q, Xiao YN, Wu JH, et al. Modelling COVID-19 epidemic with time delay and analyzing the strategy of confirmed cases-driven contact tracing followed by quarantine[J]. Acta Math Appl Sin, 2020, 43(2): 96–108.
    [5] 张菊平, 李云, 姚美萍, 等. 武汉市COVID-19疫情与易感人群软隔离强度关系分析[J]. 应用数学学报,2020,43(2):162–173.

    Zhang JP, Li Y, Yao MP, et al. Analysis of the relationship between transmission of COVID-19 in Wuhan and soft quarantine intensity in susceptible population[J]. Acta Math Appl Sin, 2020, 43(2): 162–173.
    [6] 黄森忠, 魏凤英, 彭志行, 等. 常态化防控下新型冠状病毒肺炎新发疫情研判方法[J]. 疾病监测,2020,35(8):768–686. DOI:10.3784/j.issn.1003−9961.2020.08.004.

    Huang SZ, Wei FY, Peng ZH, et al. Assessment method of coronavirus disease 2019 outbreaks under normal prevention and control[J]. Dis Surveill, 2020, 35(8): 768–686. DOI: 10.3784/j.issn.1003−9961.2020.08.004.
    [7] Pan HS, Shao N, Yan Y, et al. Multi-chain Fudan-CCDC model for COVID-19—a revisit to Singapore’s case[J]. Quant Biol, 2020, 8(4): 325–335. DOI: 10.1007/s40484−020−0224−3.
    [8] Tang B, Wang X, Li Q, et al. Estimation of the transmission risk for the 2019-nCoV and its implication for public health interventions[J]. J Clin Med, 2020, 9(2): 462. DOI:  10.3390/jcm9020462.
    [9] Zhao S, Musa SS, Lin QY, et al. Estimating the unreported number of novel coronavirus (2019-nCoV) cases in China in the first half of January 2020: A data-driven modelling analysis of the early outbreak[J]. J Clin Med, 2020, 9(2): 388. DOI:  10.3390/jcm9020388.
    [10] Hethcote HW. The Mathematics of infectious diseases[J]. SIAM Rev, 2000, 42(4): 599–653. DOI:  10.1137/S0036144500371907.
    [11] Keeling MJ, Eames KTD. Networks and epidemic models[J]. J Roy Soc Interface, 2005, 2(4): 295–307. DOI:  10.1098/rsif.2005.0051.
    [12] Eubank S, Guclu H, Kumar VSA, et al. Modelling disease outbreaks in realistic urban social networks[J]. Nature, 2004, 429(6988): 180–184. DOI:  10.1038/nature02541.
    [13] Li M, Chen P, Yuan PQ, et al. Transmission characteristics of the COVID-19 outbreak in China: a study driven by data[J]. Res Square, $ref.ref_year. DOI: 10.21203/rs.3.rs−25738/v1.
    [14] Watts DJ, Strogatz SH. Collective dynamics of ‘small-world’ networks[J]. Nature, 1998, 393(6684): 440–442. DOI:  10.1038/30918.
    [15] Hartvigsen G, Dresch JM, Zielinski AL, et al. Network structure, and vaccination strategy and effort interact to affect the dynamics of influenza epidemics[J]. J Theoret Biol, 2007, 246(2): 205–213. DOI:  10.1016/j.jtbi.2006.12.027.
    [16] 郭德银, 江佳富, 宋宏彬, 等. 2020-2021年度新型冠状病毒肺炎疫情发展趋势分析与应对[J]. 疾病监测,2020,35(12):1068–1072. DOI:10.3784/j.issn.1003−9961.2020.12.005.

    Guo DY, Jiang JF, Song HB, et al. Predictive analysis and countermeasures in response to COVID-19 epidemic in 2020–2021[J]. Dis Surveill, 2020, 35(12): 1068–1072. DOI: 10.3784/j.issn.1003−9961.2020.12.005.
  • 加载中
图(8) / 表(1)
计量
  • 文章访问数:  321
  • HTML全文浏览量:  142
  • PDF下载量:  108
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-23
  • 网络出版日期:  2021-07-09

目录

    /

    返回文章
    返回

    在线交流

    防诈骗公告

    近期有不法分子以本刊编辑身份添加作者微信,请务必提高警惕!本刊关于稿件的一切事项通知均采用编辑部唯一邮箱(jbjc@icdc.cn)和座机(010-58900732)联系作者,且在录用稿件后仅收取版面费,无其他任何名目费用(如审稿费和加急费等),非编辑部邮箱发送的本刊收费用通知等均为诈骗,不要随意汇入款项!如有可疑及时致电编辑部核实确认!