基于微观模拟的COVID-19管理策略定量分析-核心期刊杂志-厦门论文发表

伊斯特万·雷古利 ，Dávid Csercsik，亚诺什，尤哈斯，卡尔曼?托尔奈，Zsófia Bujtár，格吉利·霍瓦特，本斯·肯利-霍瓦特，塔马斯科斯，杰尔吉·塞雷，克里斯托夫?伊万，桑多尔·蓬戈尔，加博尔·塞德凯尼，格吉利·罗斯特，Attila Csikász-Nagy

出版日期： 2022年01月04日

抽象

大流行管理需要可靠和高效的动态模拟来预测和控制疾病传播。COVID-19（SARS-CoV-2）大流行通过几种非药物干预措施得到缓解，但很难预测其中哪一种对特定人群最有效。我们开发了计算有效且可扩展的，基于代理的微模拟框架PanSim，使我们能够使用适合真实数据的统一框架，在城市规模的社会环境中测试由新病毒变体传播引起的多个感染波中的控制措施。我们表明，优先考虑职业风险群体的疫苗接种策略可最大限度地减少感染数量，但允许更高的死亡率，而优先考虑弱势群体可最大限度地降低死亡率，但意味着感染率增加。我们还发现，强化疫苗接种以及非药物干预可以大大抑制病毒的传播，而疫苗接种水平低，过早重新开放可能很容易将流行病恢复到不受控制的状态。我们的分析强调，虽然疫苗接种可以保护老年人免受COVID-19的侵害，但很大一部分儿童会感染病毒，我们还展示了各种检疫和检测方案的好处和局限性。PanSim独特的详细时空分辨率允许在动态变化的条件下设计和测试具有大量代理的复杂，特定靶向干预措施。

作者简介

决策者实施各种非药物干预措施以缓解COVID-19大流行。这些措施包括关闭社交活动、餐馆、实行宵禁、提高检测水平和隔离感染者。一旦疫苗可用，就必须决定疫苗接种顺序，即首先为谁接种疫苗。随着大流行开始放缓，需要就何时可以安全地解除限制以及哪些限制应该保留更长时间做出新的决定。到目前为止，我们看到这些战略决策在各国是如何运作的，但随着新的病毒变异带来新的浪潮，我们需要从以前的例子中学习，需要更好的评估系统来找到当地最佳的干预措施。已经开发了几个建模平台来支持特定的决策，但显然需要一个统一的平台，该平台可以通过细粒度的时间和空间分辨率模拟所有同时干预的组合效应和潜在相互作用。在这里，我们介绍PanSim，一个虚拟城市模拟器，我们用它来模仿匈牙利塞格德市的人口。我们展示了如何通过该工具比较上述干预措施的效果，并且可以解释为什么仅增加检测不足以阻止大流行。

数字

Fig 4Fig 1Fig 2Fig 3Fig 4Fig 1Fig 2Fig 3

引文：Reguly IZ，Csercsik D，Juhász J，Tornai K，Bujtár Z，Horváth G等人（2022）基于微观模拟的COVID-19管理策略定量分析。PLoS Comput Biol 18（1）：e1009693。https://doi.org/10.1371/journal.pcbi.1009693

编辑 器：克劳迪奥·何塞·斯特鲁希纳，盖特利奥·巴尔加斯基金会：巴西盖特利奥·巴尔加斯基金会

收到：七月 7， 2021;接受：十一月 29， 2021;发表：一月 4， 2022

版权所有：? 2022 Reguly et al.这是一篇根据知识共享署名许可协议条款分发的开放获取文章，该许可证允许在任何媒体上不受限制地使用，分发和复制，前提是注明原始作者和来源。

数据可用性：所有代码和数据均可在https://github.com/khbence/pansim上找到。

资金：这项工作是在匈牙利国家发展，研究和创新（NKFIH）基金2020-2.1.1-ED-2020-00003和主题卓越计划（TKP2020-NKA-11）的框架内进行的。所有作者都来自这些来源。资助者在研究设计，数据收集和分析，出版决定或手稿准备方面没有任何作用。

相互竞争的利益：作者宣布不存在相互竞争的利益。

介绍

流行病管理包括各种控制措施，从非药物干预措施，如保持社交距离，检测和隔离[1，2]，到疫苗接种[3]，住院治疗及以后[4–7]。通常，控制措施以不同的方式应用于社会的各个群体（区室），随着新的感染热点或新病毒变体的出现，决策者通常需要重新调整其干预策略[8，9]。数学建模现在越来越多地用于为决策者提供信息[10，11]。在这些模型中，疾病进展通常由现在经典的SEIR方法的变体来描述，其中个体在疾病相关区室之间移动（例如易感，暴露，感染和移除[12]）。一个关键因素是在充分接触后人与人之间传播疾病的可能性，这决定了一个人从易感人群过渡到暴露区室的可能性。这通常基于预定义的值，但也可以从环境数据中计算出来，使用不同复杂度的公式[13–15]。传统上，使用常微分方程运行所得到的模型，通常使用随机强迫，然后提供关于干预措施如何影响流行病结果的粗略估计。微分方程可以相对容易地拟合到大流行数据[16–20]，但很难以足够的分辨率处理人口异质性和空间背景，特别是当干预策略经常变化时。例如，对疫苗接种策略或其他干预政策的微分方程驱动分析是可行且广泛使用的[19，20]，但隔室的数量是有限的，并且主要按年龄或血清状态组织。另一种策略由随机的，基于代理的模型（ABM）提供，其中对应于个体的代理在彼此之间移动和传播感染[21–23]。ABM可以轻松处理子组，复杂情况，还可以提供有关大流行地理传播的指示。然而，它们是计算密集型的，因为它们依赖于许多基本步骤的重复，并且它们需要大量的外部数据来参数化[5，24–27]。显然需要计算效率高的细粒度ABM实施，以支持决策者规划和安排有效的干预措施，如疫苗接种政策和安全的重新开放计划。在这里，我们介绍PanSim，一种基于药物的模型，并展示如何使用它来定性和定量地对比各种非药物干预措施的效果，分析和比较其功效。我们的模型与文献[26，28]的区别在于，PanSim在感染事件和病原体运动方面提供了无与伦比的分辨率和性能。这使得PanSim能够捕获流行病发展的更精细细节，例如特定地点和/或特定时间的代理之间的个人接触。

方法

在这里，我们提出了一种使用控制理论概念的建模方法，其中使用对人口及其日常流动的现实统计数据，为匈牙利中型城镇构建了详细的，基于代理的微观模拟描述。我们使用此流行病模拟器模型（为简洁起见，PanSim）模拟COVID-19（SARS-CoV-2）大流行，从2020年秋季第二波疫情开始，一直持续到2021年春季至2021年9月。在此期间，实施了各种封锁和开放措施，出现了一种新的，快速传播的病毒变体，并启动了疫苗接种计划。所有这些事件都影响了大流行的动态，并已纳入模型以进行详细分析。模拟的一个特别重点是疫苗接种和重新开放策略的设计，用于为负责实际实施的决策者提供信息。

虽然所呈现的结果集中在一个城镇，但PanSim可以应用于更大的人口，事实上，我们的结果被用来帮助匈牙利决策者设计控制措施。核心模拟器的性能使模型能够扩展到更大的人口规模。限制因素是人口流动的统一数据的可用性，但来自移动网络提供商和谷歌地图等服务的数据可以克服这一障碍。其他城市的主要区别在于人口规模和密度以及公共服务。这些差异将对我们分析的确切定量结果产生影响，但主要结论和提出的方法都是可以推广的。

建模框架

在我们的框架中，代理代表生活在虚拟城市中并遵循日常习惯的人，包括常规活动，例如上班或上学，周末休息，以及随机选择的元素，例如购物，娱乐等。这样的代理集合是一个典型的复杂随机系统[29]，其中代理随机将感染传递给彼此，而大流行是感染水平高于阈值的系统状态。干预措施，如封锁，隔离针对系统的特定部分，目的是使系统恢复到"健康"的制度，最好被描述为无感染或低感染水平的不受限制的状态。这种设置类似于控制动态系统，这是许多领域中出现的问题[30]。从这个角度来看，干预是一种控制措施（投入），其特征是几个参数（约束），如目标（范围），绩效和资源要求（成本）。例如，锁定措施可以针对地理区域、年龄组、业务类型（例如餐馆）或一天中的给定时间。大流行管理的一个特别特点是应用了一系列干预措施或情景。例如，疫苗接种计划或重新开放计划是复杂的场景，其中简单的干预措施是根据给定的时间和空间时间表进行的。具体而言，在所提出的微观层面模型中，179.500名特工遵循匈牙利塞格德镇人口的统计行为。该模型的核心是感染事件，其中病毒传播的发生概率取决于在给定位置（如家庭，教室或医院病房）存在的感染个体的比例[25]。一种快速传播的病毒变体-以2020年末出现的B.1.1.7为例[31，32]）被认为将传播概率提高了1.5至1.9倍[31，33]。疾病进展遵循SEIRD样模型[9，12]的区室和过渡概率，其中个体可能处于易感，暴露，感染，恢复或死亡状态（有关详细信息，请参阅S1文本，表D和E以及S1文本中的图D）。疫苗接种被纳入模型，以降低个体感染病毒的可能性。接种疫苗后12天和28天后分别减少了20%和82%[34]。在模拟之前，PanSim获得了输入数据，例如代理人的数量，年龄，性别分布，医疗先决条件等，分配到不同地理位置的家庭结构，学校的班级规模等（这些来自匈牙利中央统计局的数据库，见S1文本，图A和B，表A， B 和 S1 文本中的 C）。 在模拟开始时，PanSim根据上述统计数据将代理分配到各个位置（家庭，学校，工作场所等）以及日常工作（例如，家庭 - 工作 - 购物 - 家庭）。然后让这些药物在微观模拟中遵循他们的常规（图1A），并且它们以一定的概率将感染传递给彼此，这取决于它们的感染状态。用于验证运动模式的新出现的接触矩阵在S1文本的图C中讨论。在从2020年10月1日开始的为期一年的模拟中，2020年11月11日实施了额外的锁定和宵禁限制，并于2021年1月1日开始接种疫苗（有关详细参数集，请参阅S1文本）。B.1.1.7变体从1月份开始引入人群，导致2021年春季的第三波感染。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 1.PanSim将模拟人口流动和预测的感染映射到虚拟城市中的特定位置，模仿Szeged。

（A）机构和家庭位于虚拟城市中。颜色代码代表不同类型的位置，节点大小随感染人数线性增加（请参阅此地图的动画版本，https://youtu.be/OCfbHjLeCbY）。（B）当病毒未缓解或应用参考情景的限制时，在各种类型的地点分布感染事件。（注意对数刻度，误差线显示20次模拟的不确定性。（C） 对各种干预类型和水平的预计大流行敏感性。颜色代码显示标记变化的流行病的严重程度功能。（有关所分析方案的详细信息，请参见S1 文本中的表 F。（D）将实际住院数据[36]与拟合和参考情景模拟进行比较。（显示了 30 个模拟的平均值和标准）。

-核心期刊杂志-厦门论文发表

结果

模拟输出给出了每个位置模拟人数的地理信息（图1A）以及这些位置感染事件的统计数据（图1B）。值得注意的是，限制通常会减少感染的数量，但主要影响集中在在这些限制期间被锁定的研究所类型（图1B），与类似的研究一致[35]。关闭特定类型的地点只是用于控制大流行的众多政策之一。建模框架是灵活的，因为交互策略（隔离策略，特定位置的关闭，测试强度和重新开放时间）可以通过简单地更改输入参数而不是重新编程系统来实现。这使得可以计算"干预景观"，其中这些干预措施和其他关键参数（新型菌株的传染性，疫苗接种强度和优先顺序）以网格状方式变化，并且给定场景的结果以颜色代码为特征（图1C）。对于每一行，与参考方案相比，单个参数是可变的，使其他参数固定不变。参考方案使用 Q3 隔离协议;平均而言，每天有0.15%的人口接受检测，从1月1日开始，0.2%的人口每天接种疫苗，B.1.1.7的传染性增加1.75倍，从11月11日开始关闭大型活动，疗养院，大多数社交活动，大学和14岁以上的教室，直到模拟结束。虽然匈牙利后来针对B.1.1.7引入了进一步的限制，但这些限制不包括在参考情景中，因为它们的时间对春波的启动非常敏感，并且会扭曲在我们的情景中测试的各种干预措施的效果。更多详细信息在S1 文本中给出。通过将死亡总人数（D）与整个调查期间因COVID-19占用超过临界限值（H，限值为人口的0.11%）而占用的医院床位总数的比例函数相加，计算了衡量大流行严重程度的"严重程度函数"。然后，在最坏的情况下，这被规范化。

该分析表明，正如预期的那样，更强有力的干预措施（如高疫苗接种率，严格的限制性措施）往往会改善结局。同时，其他因素，例如，病毒变异的传染性或过早重新开放，可能会显着恶化结果（图1C）。我们现在将集中讨论许多国家的决策者从这些战略中普遍掌握的大流行的几个关键控制参数。[36]

适合真实数据

模拟器有三个与感染动力学相关的关键参数：原始菌株的传染性参数k，B.1.1.7的传播性参数增加，以及B.1.1.7住院和死亡的可能性增加。 其他与疾病相关的参数取自文献[9，12]，并在S1文本中详细讨论。我们使用Nelder-Mead优化器执行参数搜索，并最大限度地减少了模拟住院人数与适当缩放的国家住院人数之间的均方误差[36]。图1D显示了来自国家数据、参考情景和拟合情景的住院人数，模拟了匈牙利为应对B.1.1.7的传播而采取的进一步限制措施，以及随后的措施放松。拟合场景的更多细节和数字显示在S1文本中的图E中。请注意，在参考方案中，11 月 11 日之后的限制没有变化，而在拟合方案中，8 之后还有进一步的限制千3月8日后逐步开放千四月。所有比较测试（图1C）都是从参考场景作为基线运行的（参见S1文本）。这使我们能够测试个别干预措施的效果，而不会产生匈牙利政府应用的其他限制的副作用，并在拟合的场景中进行模拟。

检疫策略可能随着快速传播和更有害的病毒变体的到来而产生混合效应

隔离程序可以遵循不同的规则。如果只有确诊的感染患者被隔离（Q1），并且没有用于隔离的接触者追踪，那么秋季浪潮要大得多，并且在快速传播的病毒变体出现之前，30%的人口通过疾病（图2A）。通过更好的跟踪，导致隔离家庭（Q2）以及同学或部分同事（Q3，参考情景），秋季浪潮较小，仅感染10-15%的人口，使更多的人容易受到春潮中更有害的变体的影响（图2A）。虽然严格执行对接触者的隔离，但根据匈牙利协议，对接触者进行检测并非自动进行的（见下文详情）。由于死亡人数较多，并且由于秋季浪潮期间医院负担在很长一段时间内非常高，因此大流行的严重程度仍然要高得多，检疫政策较弱（图1D，2A和2B）。 我们假设再感染是可能的，尽管获得性免疫提供了80%的保护[37];根据第一季度的检疫规定，春季疫情中有9-10%的病例是再感染，而第二季度和第三季度，这一比例仅为4-5%。这些模拟的再感染比率大于文献中报道的比率[37]，但在这里我们关注的是一年的时间段，我们的模拟考虑了所有再感染，包括那些在第一次或第二次都没有被诊断出来的再感染。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 2.隔离情况和检测强度的变化可以减缓但无法抑制大流行。

（A-B）具有不同隔离场景（Q1 - 在家隔离的诊断患者，Q2 - 诊断出的患者和家庭隔离，Q3 - 患者，家庭和同事/同学被隔离）的模拟时间过程显示（A）住院的COVID-19患者在人群中的百分比和（B）由于COVID-19而累积的死亡事件数量扩展到整个人群。B.1.1.7变体的外观和传播显示在图A的插图上，限制的开始日期和疫苗接种的开始时间在图上注明。（C-D）测试率从每日测试人数的0.15%的参考情景值（符合匈牙利数据（图1D和S1文本中的图E）提高到最活跃测试国家达到的最高水平（每日3.5%）。（C）绘制每日阳性检测比例的时间过程和（D）每天住院COVID-19患者在人群中的百分比（住院负担）。每日测试速率显示在面板 C 的插图中（显示了 30 个模拟的平均值和标准）。

https://doi.org/10.1371/journal.pcbi.1009693.g002

增加检测强度可有效抑制仅中度感染的病毒株

世界卫生组织建议，阳性检测率应保持在5%以下，以控制大流行。通过我们的模拟拟合匈牙利测试率（S1文本中的图E）（每天测试?0.15%的人口），我们看到更高的阳性值（图2C）。如果我们将检测率提高到每天接受检测人口的约3.50%（有关详细信息，请参阅S1文本）（只有少数国家/地区才能达到该水平），那么我们可以将阳性率推低至5%以下（图2C）。该模型遵循"接触者追踪"概念，其中室友，经过阳性测试的个体的班级/同事在第二天以一定的概率进行测试（这些比率在图2C和2D的模拟中增加）。通过测试，每天约3.50%的人口，阳性率被推低到3%以下（图2C），但即使阳性率如此之低，我们也会在春浪期间发现严重的医院负担（图2D）。我们可以得出结论，广泛的，有针对性的测试，然后隔离可以用中度感染性病毒（秋季期间传播的平均欧洲毒株）来抑制大流行（图2D）。这些结果与其他区域的测试-追踪-检疫策略的评估一致[38]。然而，尽管疫苗接种与该变体的出现大约在同一时间开始，但广泛的测试无法控制高度传播和更有害的变体的大流行，例如B.1.1.7（图2D的弹簧波），尽管疫苗接种开始于该变体出现的时间左右（图2A插图）。因此，我们可以得出结论，仅增加检测频率不足以阻止大流行，需要与其他干预措施相结合。

疫苗接种顺序策略对新感染人数和医院负担产生相反的影响

自2020年底开始接种COVID-19疫苗以来，许多国家的疫苗供应短缺，因此决策者必须设计疫苗接种策略，以确定谁接种疫苗以及接种顺序（例如：以色列和欧盟之间的差异）[39]。一种方法是集中关注弱势群体，如老年人、慢性病患者等。然后，这些群体按照脆弱性降低的顺序接种疫苗。另一种方法是根据其本质和职业风险选择群体，例如医疗保健专业人员，疗养院工作人员，教学人员等。这两种排序方法都有其优点，各个国家都遵循其中一种或混合的优先级规则[40–42]。在前面的图和参考场景中，我们假设匈牙利使用的顺序是混合的，但我们也分析了使用两种极端策略引起的差异（有关不同疫苗接种顺序的详细信息，请参见S1文本）。职业风险方法在控制感染数量方面更好，并有助于维护关键基础设施（例如基本工人），但在基于脆弱性的优先排序的情况下，住院和死亡人数较低（图3A，3B和3C）。造成这种差异的原因显然是，老年人和慢性病患者首先占住院和死亡患者中的大多数，因此他们避免了感染。高度脆弱群体的早期疫苗接种本身可以减轻医院负担，即使在春季浪潮中感染率较高的情况下也是如此（图3B）。然而，控制大流行的关键策略是增加疫苗接种强度（图3D），这可能比改变疫苗接种顺序产生更大的影响（比较图3B- 重新开放前和图3D）。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 3.各种疫苗接种和重新开放策略的结果。

（A）感染人口的百分比，（B）COVID-19住院患者在人群中的百分比，（C）每天因COVID-19而累积的死亡事件数扩展到整个人群。模拟A-C小组，假设每天有0.2%的人口可以接种疫苗。（D）每日疫苗接种率的变化对住院患者的比例有重大影响。（显示了 30 个模拟的平均值和标准）。

-核心期刊杂志-厦门论文发表

封锁后过早重新开放可能会延长大流行

宵禁和封锁社交活动场所、餐馆和酒吧是通过减少个人之间互动次数来控制流行病的关键策略。在所介绍的模拟中，所有这些限制都是从2020年11月开始应用的（图2和图3中的虚线）。一個關鍵的問題是，這些限制何時可以解除，生活才能恢復"正常"。在图3A，3B和3C中，我们还分析了在三个不同时间点解除这些限制的影响。在大流行高峰期重新开放可能导致医院满员导致医疗系统崩溃（图3B），并增加总死亡病例（图3C）。在感染人数下降时重新开放可能会延长大流行的时间，导致总死亡人数略有增加，但不会对医院负担产生太大影响（图3B和3C）。

讨论

这里描述的建模框架主要是为了处理锁定，隔离和疫苗接种场景而开发的，但PanSim还可以分析隐藏变量，这些变量在现实生活中并不总是可以测量的。尽管如此，仿真结果也出现了相关的新信息。例如，它表明秋季波浪对各个年龄组的影响非常相似，而在较大的春季波浪中，不同的年龄组被不同地参与（图4A）。在这些模拟中，我们使用了脆弱性疫苗接种顺序，导致老年人在春季浪潮中感染的频率低于年轻人。具体来说，在学校聚会的14岁以下儿童中，几乎有50%（在这些模拟中，14岁以上的学生在家上学）在春浪期间经历了感染（图4A）。

thumbnail 下载：

个人电脑幻灯片

巴新放大图片

断续器原始图像

图 4.儿童感染率高，繁殖数量准确有效（Rt） 从模拟结果中浮现出来。

（A）在秋季和春季浪潮中感染的各个年龄组的百分比（误差线显示20个模拟的不确定性）。（B）根据拟合情景（图1D）模拟（30次模拟的平均值和标准）与匈牙利的经验数据[22]一起计算病毒繁殖次数的变化。

https://doi.org/10.1371/journal.pcbi.1009693.g004

我们可以计算出严格研究的有效繁殖数（Rt），定义为给定时间每个主要案例的实际平均次要案例数（有关详细信息，请参阅S1 文本）。当 Rt低于1，流行正在下降，而当它高于1时，病例数增加。绘制有效繁殖数在时间上的模拟变化，以及根据经验计算的匈牙利的相同值，我们可以观察到PanSim微模拟提供了与观测数据的良好拟合（图4B）。

COVID-19大流行的早期模型可以逼真地模拟几种非药物干预措施来控制病毒传播[21，28，38]。一些最详细的模型是基于经验接触矩阵[43]来近似个体之间相互作用的可能性，该矩阵显示了不同年龄组个体之间每日相互作用的数量。在PanSim 中，我们应用 10 分钟的时间分辨率，代理可以通过这些步骤中的任何一个步骤从一个位置移动到另一个位置。因此，我们不使用接触矩阵作为模型的输入，但我们可以测试代理的运动是否导致真实的接触矩阵。我们可以跟踪每个人的移动，并计算他们在一天中与其他代理的交互（详细信息在S1文本中）。从我们的模拟中计算出的接触矩阵与前面提到的经验数据很好地匹配，并显示了大流行期间施加限制的预期变化[44]（S1文本中的图C）。

除了研究疫苗接种和全国范围的封锁和限制的影响外，PanSim还可用于模拟精确和灵活的非药物干预措施的效果，例如学校适应性关闭（例如，如果班级因特定感染率而被隔离），某些地理区域的潜在封锁规则，与事件相关的特定限制， 甚至与某些社会群体（如教师，疗养院工作人员等）的定向测试有关的潜在影响。此外，拟议的建模框架能够考虑在模拟POI的背景下（例如位置，员工参与程度和工作场所的感染相关方面）以及代理人（年龄，医疗先决条件，居住地，家庭环境，居民的职业和流动模式）中详细的地理位置和经济信息。上述因素使PanSim能够使用计算非常有效的并行实现来研究极其广泛的潜在非常具体的干预措施（及其组合）。

在这里，我们利用这些功能来大致了解和了解各种检疫策略的影响，通过增加检测，最佳疫苗接种顺序和早期重新开放的风险来遏制大流行的可能性。进一步发展的方向包括区分疫苗功效和考虑免疫力的下降。新的病毒变异体的出现及其特定的流行病学参数和逃避先前获得的免疫力的潜在能力正在不断被纳入该模型。从算法的角度来看，PanSim中的干预是一个统一构建的GPU（图形处理单元）兼容模块，它具有输入参数，例如干预类型，速度，资源可用性等，并且可以组合成现实的场景（请参阅https://github.com/khbence/pansim和S1文本 有关详细信息）。根据人口统计和地理数据，该模型可以适应任何其他城市，地区或国家的特定数据。该模拟器内置于C++使用 Thrust 库，该库允许在传统 CPU 和 GPU 上进行并行化。在单个NVIDIA V100 GPU上运行的一年模拟考虑了179，500个代理的10分钟时间步长，运行时间不到64秒，但代码可以在单个GPU上扩展到9000万个代理。模拟器可以执行 6700 万个潜在感染事件（每个时间步长每个位置一个）和多达 1.47 亿个代理步骤（每个时间步长每个代理一个）。可伸缩性在S1 文本中的表 G 中进一步详细说明。这种计算速度使PanSim能够用于控制设计，其中干预措施针对特定目标进行优化（例如，将医疗负担保持在阈值以下，同时最大限度地降低隔离人员造成的成本）[9，12]。具有更精细空间分辨率的事件，例如，使用公共交通工具或在单独的办公室工作，在输入数据充足的情况下是可行的。PanSim还可以扩展到国家或大陆级别的模拟，包括偶尔的长途旅行（例如旅游或商业），这可能对疾病的输入至关重要。这里的主要挑战是收集有关个人运动的数据以输入模拟器。然而，有了广泛、统一的数据[45]，就可以使用PanSim来研究详细和动态变化的国家特定干预策略，以精细的时空解决这一点，或者可能的后期大流行。

患者和公众参与

患者或公众没有参与我们研究的设计、实施、报告或传播计划。

支持信息

仿真和数据集成方法。

跳到无花果共享导航

S1 文本。仿真和数据集成方法基于微观模拟的COVID-19管理策略定量分析伊斯特万·雷古利1,2， Dávid Csercsik1， 亚诺什·尤哈斯1,3， 卡尔曼·托尔奈1， Zsófia Bujtár1， 格吉利·霍瓦特1， 本斯基姆利-霍瓦特1,2， 塔马斯·科斯1， 杰尔吉·塞雷1， 克里斯托夫·伊万1， 桑多尔·蓬戈尔1， 加博尔·塞德凯尼1， 格吉利罗斯特4， 阿提拉·西卡什-纳吉1,2,51匈牙利布达佩斯帕斯曼尼彼得天主教大学信息技术和仿生学系2Cytocast Kft.， Vecsés， 匈牙利3塞梅尔威斯大学医学院医学微生物研究所，匈牙利布达佩斯4塞格德大学博雅艾研究所，匈牙利塞格德5兰德尔细胞和分子生物物理中心，伦敦国王学院，英国伦敦数据集成基于代理的模拟器需要有关模拟个体的详细信息（年龄，每日行为）及其访问的位置。由于个人和运动的敏感性该市居民的信息，没有用于实验。因此现实根据普查统计信息和地理信息构建了合成输入数据数据库。本节简要总结了数据源和数据生成算法。数据源匈牙利中央统计局公布了可免费获取的人口统计数据，包括地理分布，年龄分布，家庭构成（父母人数，子女、祖父母或老年人）和家庭统计信息。这些数据是基于人口普查（每十年进行一次）和人口微观普查。详细Csongrád-Csanád县（NUTS Level 3）和Szeged District（NUTS）的统计数据级别 4 / LAU 级别 1）。另一个重要的数据来源是塞格德住宅区的地理分布。数据通过TEIR（用于开发目的的信息系统）提供自治市的定居点/地区）。该数据库提供了塞格德的兴趣点地方被用来将工作场所和其他地方分配给居民。容量（大小）代理商定期访问的位置已根据公开可用位置手动估计信息。地理数据是从官方土地登记册中提取的。数据已转换消除敏感信息：塞格德地区已被划分为100米2方形包含每个小区统计数据（位置、居民人数）的像元。塞格德市的地方行政部门提供了有关公立学校的真实和最新信息（幼儿园、小学和中学）。大学生人数一直是根据塞格德大学网页上公开提供的数据估计。数据综合已经实现了一种贪婪算法来随机构建城市的现实人口。这必要的步骤如下：1

1.首先，该算法先创建一个族，然后创建其成员。家庭的规模和组成基于人口普查的统计数据（见图A的右图）。2.一旦生成了族，它就会被放置在任何可用的单元中。此步骤分配家庭中每个人的居住地。在此步骤中，人工创建的家庭被放置在现实世界中，家庭居住着类似的宪法（见图A的左图）。3.分配主要位置时，将绘制次要位置。取决于年龄一个人，学校，大学或工作场所将被分配。（算法主要在附近寻找一所学校，但工作场所可以位于更远的地方（见图B））。4.第三轮位置分配增加了其他感兴趣的地点（例如商店，公园，社交场所、医疗保健相关场所等）代理商可以访问。5.添加了其他代理，例如游客和通勤者。图A. 生成和初始化家庭、家庭和代理的算法和数据流。有效性检查通过以下步骤检查生成的数据的真实性：?计算家庭和年龄分布（在步骤1中生成的人员）并将其匹配真实的信息。人口信息和统计存在细微差异信息来自不同年份（2011年和2016年与2018年）。区别代理商数量和实际人口不到3%。2

下载

无花果共享

S1 文本。仿真和数据集成方法。

S1 文本中的图 A。用于生成和初始化家庭、家庭和代理的算法和数据流。S1 文本中的图 B。算法和数据流，用于根据代理类型为代理分配工作区。S1 文本中的图 C。来自PanSim模拟的接触矩阵。从模拟中计算出的接触矩阵在未施加限制的时期内（A），具有限制（B）的PanSim模拟中跟踪单个代理，以及匈牙利的经验接触矩阵（C）在非限制期间，数据来自Prem等人，2017 [43]。S1 文本中的图 D。COVID-19疾病传播状态图.该疾病基于扩展的SEIRD模型进展。它是R?st等人2020 [ 12 ]和Péni等人，2020[9]模型的修改版本。实线表示可能的状态转变，虚线表示感染（从感染状态（I）开始，在易感（S）结束 - 暴露（E）过渡）。橙色淋巴结对应于无症状，红色淋巴结对应于更差的进展。绿色节点表示非传染性、恢复/恢复状态 （R） 以及以"H"签名的州的代理在医院。最糟糕的进展是走向死亡状态（D）。有关每个状态的属性的更多详细信息，请参阅S1 文本 中的表 D。S1 文本中的图 E。将PanSim的参数拟合到真实数据上。（A）COVID-19住院患者在人群中的百分比，（B）因COVID-19而累积的死亡事件数量扩展到整个人口，（C）每日检测率和（D）每日阳性检测率，收集塞格德市（黑色）或根据匈牙利国家数据中塞格德的人口规模比率计算（绿色）。S1 文本中的表 A。代理类型.代理商根据其年龄和日常生活（生活方式）分为这些类别。S1 文本中的表 B。代理 - 位置对。每种代理类型的代理可以访问表中以绿色签名的那些类型的位置。绿色单元格：代理在其位置列表中具有该位置类型。白细胞：代理通常不会访问该类型的位置。S1 文本中的表 C。位置类型。在S1 文本中模式表 D 的初始化步骤中，位置被组织到这些类别中。疾病传播状态。该表根据R?st等人2020 [ 12 ]和Péni等人，2020年[9]总结了疾病传播状态的参数。S1 文本中的表 E。COVID-19 不相关的健康参数。该表总结了某些慢性病患者的住院率和死亡率。塞格德的具体值来自匈牙利中央统计局[46，47]（http://www.neak.gov.hu/data/cms1023360/Korhazi_agyszamkimutatas_2018.pdf）的数据。S1 文本中的表 F。图1C所示的严重性函数值表。根据30个模拟计算了COVID-19（H）的总死亡人数（D）和医院容量超支总和的均值和标准差值。严重性函数 （S） 的标准化值计算为 ，其特征为颜色代码。S1 文本中的表 G。随着代理计数的增加，性能可扩展性表。

-核心期刊杂志-厦门论文发表

（文档）

确认

我们感谢莱希纳知识中心（G.P. Juhász， A. Nagy， D. Kristóf）、GeoX Kft.（T. Prajczer）和塞格德市（S. Nagy， P. Pázmány）的同事提供数据来源。

引用

1.Peak CM， Kahn R， Grad YH， Childs LM， Li R， Lipsitch M， et al.个人隔离与主动监测接触者以缓解COVID-19：一项建模研究。柳叶刀感染 2020;20： 1025–1033.pmid：32445710

查看文章PubMed/NCBI谷歌学术搜索

2.Wells CR， Townsend JP， Pandey A， Moghadas SM， Krieger G， Singer B， et al.最佳COVID-19隔离和检测策略。纳特公社。2021;12: 1–9.

查看文章谷歌学术搜索

3.Forni G， Mantovani A， Forni G， Mantovani A， Moretta L， Rappuoli R， et al. COVID-19疫苗：我们的立场和未来的挑战。细胞死亡和分化。施普林格自然;2021. 第626–639页.pmid：33479399

查看文章PubMed/NCBI谷歌学术搜索

4.Ferguson NM， Cummings DAT， Fraser C， Cajka JC， Cooley PC， Burke DS.减轻流感大流行的战略。自然界。2006;442: 448–452.下午：16642006

查看文章PubMed/NCBI谷歌学术搜索

5.Chang SL，Harding N，Zachreson C，Cliff OM，Prokopenko M.澳大利亚COVID-19大流行的传播和控制建模。纳特公社。2020;11: 1–13.

查看文章谷歌学术搜索

6.Nadanovsky P，dos Santos APP.应对COVID-19大流行的策略。巴西口腔研究。巴西血液学和血液学协会;2020.

7.Sturniolo S， Waites W， Colbourn T， Manheim D， Panovska-Griffiths J. 在区室模型中测试、追踪和隔离。PLoS Comput Biol. 2021;17： e1008633.下午：33661888

查看文章PubMed/NCBI谷歌学术搜索

8.Ecdc.SARS-CoV-2——欧盟/欧洲经济区关注变体的流通和疫苗推广的增加——第14次更新。https://www.ecdc.europa.eu/en/covid-19/timeline-ecdc-response.This.

9.Péni T， Csutak B， Szederkényi G， R?st G. 具有逻辑约束的非线性模型预测控制，用于COVID-19管理。非线性 Dyn。2020;102: 1965–1986.pmid：33281298

查看文章PubMed/NCBI谷歌学术搜索

10.Vespignani A， Tian H， Dye C， Lloyd-Smith JO， Eggo RM， Shrestha M， et al. COVID-19建模.自然评论物理学。施普林格自然;2020. 第279–281页.pmid：33728401

查看文章PubMed/NCBI谷歌学术搜索

11.Perra N. COVID-19大流行期间的非药物干预措施：综述。物理报告。爱思唯尔B.V.;2021. pmid：33612922

查看文章PubMed/NCBI谷歌学术搜索

12.R?st G， Bartha FA， Bogya N， Boldog P， Dénes A， Ferenci T， et al.匈牙利COVID-19爆发的早期阶段和封锁后的情况。病毒。2020;12: 1–30.下午：32629880

查看文章PubMed/NCBI谷歌学术搜索

13.渡边 T， Bartrand TA， Weir MH， Omura T， Haas CN.开发SARS冠状病毒的剂量反应模型。风险分析. 2010;30： 1129–1138.pmid：20497390

查看文章PubMed/NCBI谷歌学术搜索

14.张楠， 黄海， 苏斌， 马霞， 李燕.大城市中空气传播疾病传播的人类行为综合等级模型。构建环境。2018;127: 211–220.下午：32287976

查看文章PubMed/NCBI谷歌学术搜索

15.de Oliveira PM，Mesquita LCC，Gkantonas S，Giusti A，Mastorakos E.喷雾剂和气溶胶从呼吸释放的演变：对病毒传播的见解的理论估计。2021;477： 20200584.pmid：33633490

查看文章PubMed/NCBI谷歌学术搜索

16.刘明，托马斯森R，姚S.预测COVID-19在不同重新开放策略下的传播。科学代表 2020;10： 1–8.

查看文章谷歌学术搜索

17.Pinto Neto O， Kennedy DM， Reis JC， Wang Y， Brizzi ACB， Zambrano GJ， et al.巴西圣保罗COVID-19干预情景的数学模型。纳特公社。2021;12: 418.pmid：33462211

查看文章PubMed/NCBI谷歌学术搜索

18.Reiner RC， Barber RM， Collins JK， Zheng P， Adolph C， Albright J， et al.为美国 COVID-19 情景建模。Nat Med. 2021;27： 94–105.pmid：33097835

查看文章PubMed/NCBI谷歌学术搜索

19.Matrajt L，Eaton J，Leung T，Brown ER.针对COVID-19的疫苗优化：谁先接种疫苗？科学技术 2020;7： eabf1374.下午：33536223

查看文章PubMed/NCBI谷歌学术搜索

20.Bubar KM， Reinholt K， Kissler SM， Lipsitch M， Cobey S， Grad YH， et al.按年龄和血清状态划分的模型知情COVID-19疫苗优先排序策略。科学 （80-）.2021;eabe6959.pmid：33479118

查看文章PubMed/NCBI谷歌学术搜索

21.O'Sullivan D，Gahegan M，Exeter DJ，Adams B.用于探索COVID-19锁定策略的空间显式模型。跨地理信息系统。2020;24: 967–1000.下午：32837240

查看文章PubMed/NCBI谷歌学术搜索

22.Kerr CC， Mistry D， Stuart RM， Rosenfeld K， Hart GR， Nú?ez RC， et al.通过检测-追踪-检疫来控制COVID-19。国家通讯 2021 121.2021;12: 1–12.

查看文章谷歌学术搜索

23.Selvaraj P， Wagner BG， Chao DL， Jackson ML， Breugelmans JG， Jackson N， et al.由于持续的内部迁移，农村优先次序可能会增加COVID-19疫苗在撒哈拉以南非洲的影响：一项建模研究。医疗Rxiv.2021;2021.06.18.21259164.

查看文章谷歌学术搜索

24.Chang S， Pierson E， Koh PW， Gerardin J， Redbird B， Grusky D， et al.COVID-19的移动网络模型解释了不公平现象并为重新开放提供了信息。自然界。2021;589: 82–87.pmid：33171481

查看文章PubMed/NCBI谷歌学术搜索

25.Chinazzi M， Davis JT， Ajelli M， Gioannini C， Litvinova M， Merler S， et al.旅行限制对2019年新型冠状病毒（COVID-19）疫情传播的影响。科学 （80-）.2020;368: 395–400.pmid：32144116

查看文章PubMed/NCBI谷歌学术搜索

26.Hoertel N， Blachier M， Blanco C， Olfson M， Massetti M， Rico MS， et al.基于随机代理的法国SARS-CoV-2流行模型。Nat Med. 2020;26： 1417–1421.pmid：32665655

查看文章PubMed/NCBI谷歌学术搜索

27.Rockett RJ， Arnott A， Lam C， Sadsad R， Timms V， Gray K-A， et al.通过SARS-CoV-2基因组测序和基于代理的建模揭示澳大利亚的COVID-19传播。Nat Med. 2020;26： 1398–1404.下午：32647358

查看文章PubMed/NCBI谷歌学术搜索-核心期刊杂志-厦门论文发表

28.Kerr CC， Stuart RM， Mistry D， Abeysuriya RG， Hart G， Rosenfeld K， et al. Covasim： 一种基于代理人的COVID-19动态和干预模型。医疗Rxiv.medRxiv;2020. p. 2020.05.10.20097469.

查看文章谷歌学术搜索

29.Galea S，Riddle M，Kaplan GA.流行病学中的因果思维和复杂系统方法。Int J Epidemiol.2010;39: 97–106.pmid：19820105

查看文章PubMed/NCBI谷歌学术搜索

30.妮丝。控制系统工程，第 8 版 |威利。威尔尼;2020.

31.Davies NG， Jarvis CI， van Zandvoort K， Clifford S， Sun FY， Funk S， et al.SARS-CoV-2谱系社区检测病例的死亡率增加 B.1.1.7。自然界。2021;1–5.pmid：33723411

查看文章PubMed/NCBI谷歌学术搜索

32.Volz E， Mishra S， Chand M， Barrett JC， Johnson R， Geidelberg L， et al.评估SARS-CoV-2谱系B.1.1.7在英国的传播性。自然界。2021;1–6.pmid：33767447

查看文章PubMed/NCBI谷歌学术搜索

33.Brookman S， Cook J， Zucherman M， Broughton S， Harman K， Gupta A. 新的SARS-CoV-2变种B.1.1.7对儿童和年轻人的影响。柳叶刀儿童和青少年健康。爱思唯尔B.V.;2021. 第 e9–e10 页.pmid：33581054

查看文章PubMed/NCBI谷歌学术搜索

34.Polack FP， Thomas SJ， Kitchin N， Absalon J， Gurtman A， Lockhart S， et al.BNT162b2 mRNA Covid-19疫苗的安全性和有效性。N Engl J Med. 2020;383： 2603–2615.pmid：33301246

查看文章PubMed/NCBI谷歌学术搜索

35.赵鹏， 张楠， 李勇.中国东北地区COVID-19病例聚集性感染场所比较.Int J Environ Res Public Health.2020;17: 1–14.下午：32503192

查看文章PubMed/NCBI谷歌学术搜索

36.有关COVID-19的医院和ICU入院率以及当前入住率的数据。[引用2021年12月6日]。https://www.ecdc.europa.eu/en/publications-data/download-data-hospital-and-icu-admission-rates-and-current-occupancy-covid-19.

37.Hansen CH，Michlmayr D，Gubbels SM，M?lbak K，Ethelberg S.2020年丹麦400万PCR测试个体中SARS-CoV-2再感染的保护评估：一项人群水平的观察性研究。柳叶 刀。2021;397: 1204–1212.pmid：33743221

查看文章PubMed/NCBI谷歌学术搜索

38.Amaku M， Covas DT， Bezerra Coutinho FA， Azevedo Neto RS， Struchiner C， Wilder-Smith A， et al.对巴西圣保罗州控制COVID-19流行的检测、追踪和检疫策略进行建模。感染 Dis 模型。2021;6: 46–55.pmid：33235942

查看文章PubMed/NCBI谷歌学术搜索

39.赛勒斯 J， 潘特利 D， 范金尼肯 E.谁应该首先接种疫苗？使用Covid-19卫生系统响应监测比较以色列和欧洲国家的疫苗优先排序策略。以色列卫生政策研究杂志。百奥医药中央有限公司;2021. 第16页.pmid：33608023

查看文章PubMed/NCBI谷歌学术搜索

40.Giordano G， Colaneri M， Di Filippo A， Blanchini F， Bolzern P， De Nicolao G， et al.对意大利疫苗接种推广、SARS-CoV-2 变体和非药物干预要求进行建模。纳特医学 2021 276.2021;27: 993–998.下午：33864052

查看文章PubMed/NCBI谷歌学术搜索

41.杨军， 郑伟， 石海， 闫鑫， 董坤， 尤强， 等.在中国，谁应该优先接种COVID-19疫苗？描述性研究。BMC Med. 2021;19.pmid：33563270

查看文章PubMed/NCBI谷歌学术搜索

42.Moore S， Hill EM， Tildesley MJ， Dyson L， Keeling MJ.COVID-19的疫苗接种和非药物干预措施：数学建模研究。柳叶刀感染 Dis. 2021;21： 793–802.下午：33743847

查看文章PubMed/NCBI谷歌学术搜索

43.Prem K，Cook AR，Jit M.使用联系人调查和人口统计数据在152个国家/地区投影社会联系矩阵。PLOS Comput Biol. 2017;13： e1005697.pmid：28898249

查看文章PubMed/NCBI谷歌学术搜索

44.Koltai J，Vásárhelyi O，R?st G，Karsai M.通过从在线和代表性调查中重建的接触矩阵来监测大流行期间的行为反应。2021年[引用2021年12月6日]。http://arxiv.org/abs/2102.09021.

45.Buckee CO， Balsari S， Chan J， Crosas M， Dominici F， Gasser U， et al.汇总的移动数据有助于抗击COVID-19。科学。美国科学促进会;2020. 第145–146页.pmid：32205458

查看文章PubMed/NCBI谷歌学术搜索

46.22.2.2.3. Halálozások megye és régió szerint， negyedévente kumulált.[引用2021年12月6日]。-核心期刊杂志-厦门论文发表