观测频率对接近接触数据和模拟传输动力学的影响

钱维成 ，凯文·戈登·斯坦利 ，纳撒尼尔·大卫·奥斯古德

发布时间：27 年 2023 月

抽象

许多传染病的传播取决于人与人之间的近距离接触。对邻近接触者的动态进行建模有助于确定疫情是否可能引发流行病。虽然商用移动设备的出现简化了近距离接触数据的收集，但电池容量和相关成本需要在用于接触检测的观察频率和扫描持续时间之间进行权衡。观察频率的选择应取决于特定病原体和伴随疾病的特征。我们从五项接触网络研究中对数据进行了下采样，每项研究每5分钟测量一次受试者-受试者的接触，持续时间为四周或更长时间。这些研究共包括284名受试者，并展示了不同的社区结构。我们发现，对于采用高分辨率邻近数据的流行病学模型，用于收集邻近数据的观测方法和观测频率都会影响模拟结果。这种影响取决于种群的特征以及病原体的传染性。通过比较两种观察方法的性能，我们发现在大多数情况下，半小时的蓝牙发现一分钟可以收集邻近数据，允许基于代理的传输模型产生合理的攻击率估计，但更频繁的蓝牙发现更适合模拟单个感染风险或高度传播的病原体。我们的研究结果为指南提供了经验基础，为高效和有效的数据收集提供信息。

作者摘要

密切的人际接触在许多疾病的传播中起着根本性的作用。虽然商用移动设备的出现简化了接触时间序列的收集，但电池容量和相关成本需要在用于接触检测的频率和扫描持续时间与参与者体验和依从性之间进行权衡。为了了解观察人类接触网络的频率对网络重建的准确性和模拟攻击率的影响，我们对五项高速接触网络研究的数据进行了下采样，每项研究在至少四周内每5分钟测量一次参与者接触。通过接触网络参数化接触网络对连续下采样的接触信息进行重构的结果表明，模型预测的攻击率和预测攻击率的每次实现变异性因病原体和网络结构而存在显著差异。对于多项研究中的某些病原体，与使用最高速接触数据预测的比率相比，下采样接触率在模型预测的攻击率方面存在明显不准确。我们的研究结果可以为高效和有效的数据收集研究的设计提供信息，并可能有助于理解超出当前收集限制的接触网络。

引文： 钱 W， 斯坦利 KG， 奥斯古德 ND （2023） 观测频率对邻近接触数据和建模传输动力学的影响。公共科学图书馆计算生物学19（2）： e1010917. https://doi.org/10.1371/journal.pcbi.1010917

编辑 器： 塞缪尔·斯卡皮诺， 洛克菲勒基金会，美国

收到： 9月 2022， 3;接受： 2023年27月2023日;发表： <>月 <>， <>

版权所有： ? 2023 钱等这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

数据可用性： 不幸的是，我们无法向公众提供参与者的数据（SHED），因为萨斯喀彻温大学的研究伦理委员会（REB）对此表示担忧。这些担忧包括没有任何安全措施可以确保参与者的隐私以供公众访问，因为SHED的近似接触数据是纵向的（超过一个月）和高粒度（每5分钟收集一次）。此外，在参与者签署的知情同意书中，研究人员承诺仅提供汇总数据以确保隐私。因此，披露完整的数据集将违反该承诺。有兴趣的研究人员可以通过向萨斯喀彻温大学研究伦理委员会（REB）请求访问数据。REB的最新联系信息可以在萨斯喀彻温大学的网站上找到。目前，REB的网页正在与以下联系人 https://research.usask.ca/rei/researchers/ethics/human-ethics.php：Nick Reymond（研究伦理专家）在306-966-2084或 nick.reymond@usask.ca Melanie Bayly（研究伦理协调员）在306-966-4390或 melanie.bayly@usask.ca 用于生成本手稿中呈现的结果和分析的模型和源代码可从GitHub Git存储库获得： https://github.com/Quar/ObsFreqImpact。

资金： 这项工作得到了加拿大自然科学和工程研究理事会（RGPIN-2020-04866至KGS;RGPIN-2017-04647 到 NDO）。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。

竞争利益： 提交人声明不存在相互竞争的利益。

这是一篇PLOS计算生物学方法论文。

介绍

尽管一个世纪以来取得了进步，但传染病的负担仍然高得令人不安。在耐药性和病毒突变率不断上升、人类与病媒和动物疾病宿主接触增加的发展模式以及通过历史上不断增长的全球旅行速度传播感染的能力的背景下，传染病的潜在负担历来很高。从SARS-CoV-2[1-4]到中东呼吸综合征冠状病毒（MERS-CoV），再到中非的埃博拉[5，6]，到全球和土著社区的地方性结核病负担[7，8]，到季节性流感[9-11]和普通感冒[12，13]造成的生产力损失，以及儿童传染病的死灰复燃模式[14-16]，传染病继续对社会造成严重的不利影响。这种影响推动了对常见病毒和细菌病原体的传播、人群传播、治疗和预防的大量和持续的研究[14，17，18]。在过去的一个世纪里，传染病的动态模型一直是理解、预防和控制传染病的关键工具。这种模型的核心要素是表示宿主之间的接触模式、传播和宿主内感染的自然史[19，20]。

近距离的人际接触网络是传染病传播的关键机制[21-23]。结合病原体特异性参数，传播模型中这种接触网络的高保真表示[22]可以实现疾病传播过程的更高分辨率视图，而不是传统易感 - 感染 - 康复（SIR）家族中分区模型中所需的随机混合假设[19，20，24].这种观点可以支持实时识别暴发的早期和对攻击率的估计，以及回顾性评估和评估改变疫苗计划的有效性，有助于规划干预措施，如疫情应对免疫[25]、公共卫生命令和检疫，并支持范围影响的评估， 接触者追踪的速度和广度[26]。具有详细接触网络结构的传播模型有助于从个体水平的感染行为推断人口规模的影响，从而能够表征传染病在影响爆发动态的近距离接触者的传播[22，27]。

智能手机的普及及其丰富的传感器补充，以及可穿戴接近检测设备的出现，丰富了数据收集系统[28-33]。使用低功耗蓝牙的自动接触者追踪应用程序[34]允许研究人员收集联系信息，这些信息的自我报告将很繁琐[35，36]，并且由于对接触者的认识有限，可能不可行[37]。正如一些观察者所设想的那样[22]，高分辨率接近接触数据的可用性日益增加，这进一步鼓励了将近似接触的经验数据用于传输建模的分析[29，38-41]。萨拉特等.[29]率先使用微尘传感器收集高分辨率接近接触数据，并将这些高分辨率数据纳入传输模型以分析流感爆发。怀曼特等.[42] 调查了国家卫生服务 （NHS） COVID-19 应用程序对英格兰和威尔士的影响，并估计增加应用程序使用率可以减少病例数量。

尽管以扩展存储容量和可访问的高性能计算的形式增加了计算能力的规模，但我们仍然难以收集、存储和处理足以参数化纵向传输模型的个人级接触数据，即使是市政规模的人口。当配置智能手机以收集接近接触数据时，采样频率为分钟级的传感机制会显着提高功耗，从而对研究招募和依从性产生不利影响。这种影响在社会经济地位低的人群中尤其值得关注，他们因拥挤和其他危险因素而面临更高的传染病传播风险[43-45]。

鉴于这些技术限制，过去的贡献[23，28，46]认为需要清楚地了解传感方案 - 传感制度在整个实验中安排短时间打开传感器进行扫描。我们研究中的接近接触数据来自蓝牙发现记录，蓝牙发现在每个占空比的第一分钟执行，其中占空比是相同长度的连续周期。占空比间隔的倒数称为观测频率，观测频率与观测间隔成反比关系。本研究调查了不同的传感制度如何影响捕获的接近接触数据和经验接触授权传输模型（ECTM）的结果。具体来说，我们试图调查以下三个问题：

随着蓝牙发现的观察频率的降低，推断的接触网络的结构如何倾斜？

在获取以降低的观测频率收集的接近接触数据时，传输模型的结果如何偏离以基线频率（我们场景中的最高频率）收集的接近接触数据？

在哪些疾病/病原体和社区结构背景下，观察频率可以降低，在多大程度上，而不会破坏结论的信心？

我们通过分析从五项高分辨率人类接触网络研究中从参与者智能手机收集的下采样接触数据得出的邻近接触来解决这些问题。每项研究的有效持续时间为四周或更长时间，包括至少30名受试者，所有研究共有284名受试者。通过基于智能手机的蓝牙握手大约每 5 分钟收集一次近距离接触数据。我们分析了网络结构如何随着观测频率的降低而变化。

为了研究下采样对模型估计的攻击率和个体感染风险的影响，我们将下采样的接触数据提供给基于SEIR代理的模拟模型，用于12种不同的传播性疾病/病原体。使用基线分辨率（涉及每5分钟采样一次）的发现作为参考，我们发现攻击率的偏倚变异性随着观察频率的降低而变化。我们的研究结果进一步表明，就变异性和偏倚性而言，减少观察频率的影响程度既是疾病又是社区特异性的。具体而言，对于基本生殖数低的疾病，如中东呼吸综合征（MERS），关于发作率和个体感染风险的模拟结果对观察频率相对不敏感。另一方面，百日咳博德特氏菌等病原体对采样频率表现出明显的依赖性。在密度较大的社区中，保持较高的观测频率显然更为重要。最后，我们发现个体感染风险根据给定模拟中接触网络的边缘作为传播链的一部分而有所不同。

数据来源

这项研究使用萨斯喀彻温省人类行为学数据集（SHED）1，2，7，8和9，从五个高速微接触数据集中提取接触数据，每个数据集都有一个月或更长时间[31，47，48]。这些SHED数据集采用iEpi系统及其后续产品Ethica Data [31，49]，通过基于智能手机的传感器收集纵向数据，包括电池电量，充电状态，蓝牙，Wi-Fi，GPS，加速度计，磁力计，以及调查前和调查后。本研究仅使用了蓝牙发现记录和电池电量记录。需要强调的是，SHED数据集虽然具有很高的采集速度和一个月或更长时间的持续时间，但在参与者群体的特征以及网络结构方面表现出明显的异质性。SHED1和SHED2代表“更紧密”的社区，由萨斯喀彻温大学计算机科学系的研究生和工作人员组成，SHED1的大多数参与者来自两个研究实验室。相比之下，SHED7，SHED8和SHED9通过社会科学研究池从萨斯喀彻温大学招募本科生，代表了一个更加多样化和“分散”的社区。这些 SHED 数据集的描述性信息（例如聚合分布）可以在 S1 附录和代码存储库中找到。

所有SHED研究的参与者都是志愿者。在数据收集期间没有进行实验操作。这些研究没有对种族、年级或性别进行分层抽样。该研究并未禁止与相关部门或研究实验室相关的人员参与，研究小组首先通知了实验室和计算机科学系的同事。可以假设对潜在研究参与的认识已经在社交网络上传播开来。对于SHED1和SHED2，参与者获得了一部预配置的Android手机，他们将其与任何其他个人移动设备一起携带。相比之下，参与者使用自己的手机进行SHED7，SHED8和SHED9。尽管对于这三项研究，Android和iPhone用户都受到欢迎，但由于安全设置，蓝牙信标在iPhone上无法可靠地工作，但iPhone用户已从分析中删除，此处报告的所有参与者都是Android用户。

联系人数据收集方法

配备iEpi和Ethica数据应用程序的智能手机上的蓝牙联系人和电池电量的数据收集发生在不连续的时期内。研究期（跨越至少一个月的连续几天）分为5分钟（SHED1和SHED2，以及SHED7，8，9的近似间隔）占空比。在每个占空比内，只要应用程序正在运行，就会记录电池电量，并在每个占空比的第一分钟内启用蓝牙扫描。在扫描附近的可发现设备时，手机是可发现的。

方法

我们通过从基线进行下采样，综合了具有不同传感制度的接近接触数据的集合。测量不同感知机制对两种类型的发现的影响：关于网络结构的发现和涉及人群疾病传播的发现。对于网络分析，我们将网络结构与连续的下采样水平进行了比较，并根据经典网络模型解释了结果[50-52]。对于模拟分析，我们使用了个体水平的易感暴露传染康复（SEIR）模型[53]，并使用12种不同的常见传染病/病原体（流感，SARS，第五种，百日咳，麻疹，水痘，MERS，白喉，COVID-19野生型，COVID-19阿尔法变体，COVID-19 Beta变体，COVID-19 Delta变体）重建接触网络。我们研究了下采样（观察频率的递减）如何影响模拟输出中有关攻击率、个体感染风险和爆发时间的结果，方法是采用两种不同的下采样方法，称为快照和上限。对于下采样方法、采样率、传染病和研究的各种选择组合，导出并分析了由该下采样率引起的该研究的接触网络，并分析了使用这些网络进行的模拟。

道德声明

SHED的数据收集和分析是在萨斯喀彻温大学人类行为伦理审查委员会的书面批准下进行的BEH-14-203。从参与者那里获得了书面知情同意。

缩减采样方法

我们假设近距离接触的行为是时变的，并用无向图G表示t = (Vt， Et），顶点表示参与者，边表示在时间 t 处表现出紧密接近接触的参与者对。我们假设，给定足够小的时间量子ξ0（例如，一秒钟），我们的近距离接触的状态可以认为在每个这样的时间量子上都是恒定的，而不会显着损失精度，这意味着我们的分析只考虑间距为ξ的单维晶格上的动力学0.这导致邻近接触随时间演变为一系列无向图，其中0将离散时间索引投影到实际时钟上。我们将时间 t 处参与者 V 之间的近距离接触表示为 。根据启发式下采样本质上是聚合 {Gt}， t ∈ [t我， tj），这可以被认为是一个编码问题[54，55]。

由于获得纵向数据的基线频率约为每5分钟一次，因此近距离接触网络的原始采样是一系列{Gt}， t ∈ [0， T），其中 t 以分钟为单位，T 是以分钟为单位的研究的有效长度。经过后处理后，t 表示一个整数索引，表示与观测值相关的分钟，其中分钟 0 对应于研究第一天的第一分钟。为方便起见，我们将采样时间改写为周期而不是特定点，其中ξ = 5 是（预期的）占空比间隔，1/ξ是我们原始数据的观测频率，称为基线频率。

另一个考虑因素涉及数据的提供。这种可用性受到许多因素的影响，包括但不限于参与者选择在私人期间“暂停”传感器数据记录，操作系统由于资源短缺而暂时从内存中逐出数据收集应用程序的情况，或者 - 特别是对于 SHED7 和 8 的情况 - 由于反映系统调度的未对齐占空比。聚合后，每个样本都是一个未加权的单向简单图，可以表示为（0，1）邻接矩阵。这个邻接矩阵是对称的，它的每一个元素ij∈ {0， 1} 表示单个 v我和 vj有一个联系人（一个ij= 1） 或无接触 （aij= 0）。

我们考虑了两种下采样策略：物理上可实现的采样策略（称为快照）和理论上限（称为上限）。Snapshot 会定期对当时的当前联系人进行采样，从而为“如果我们不那么频繁地采样会怎样？相反，上限下采样策略会记录整个下采样间隔内的所有接触，并将这些接触报告为在采样时应用。相反，它回答了这样一个问题：“如果这些相同的联系人不那么频繁地改变，它们会产生什么影响？Upperbound提供了一个预言机，该预言机维护该期间的所有联系人，而不管下采样计划是否会测量它们。

快照。

快照下采样方法在概念上很简单：对于每个缩减采样周期 [iξ′， （i + 1）ξ′）， i = 0， 1， 2， ?，我们选择第一个可用的样本索引。这会导致子采样。如果接触发生在该指数捕获的特定占空比内，它将反映在采样记录中。快照模拟选择较长占空比进行测量的效果，包括由于欠采样而导致的触点丢失。

上限。

与快照相比，我们试图研究理论下采样方法的影响，该方法可以提供样本摘要，其中包括从整个时间间隔中提取的信息。具体来说，我们考虑了 的并集，其中并集，一般对于任何离散集合，定义为 ?j∈J Gj= ?j∈J (Vj， Ej) = (?j∈J Vj, ?j∈J Ej).这种下采样机制用于保存在降采样间隔期间随时观察到的所有成对接触。实际上，上限不能使用用于接近检测的最常见传感器部署在数据收集中，但可以在后处理期间使用，以减少基于 ABM 的分析期间实现的时间步长数量，从而提高仿真速度。当 ξ 接近研究周期时，上限下采样会产生更均匀的接触加权随机混合图，类似于隔室模型，隔室之间的异质优先混合较少。上限在下采样期间保持接触图的密度。

虽然对Upperbound影响的研究主要是由其理论特性驱动的，但值得注意的是，一些技术（例如隐私保护或电池敏感的联系人跟踪和报告系统）确实在一段时间内对联系信息进行了类似的时间聚合[56]。快照在采样上下文中执行时态量化。上限通过跨该间隔的累积执行时间量化和聚合。

SEIR 模拟

我们建立了一个基于代理的SEIR传输模型（SEIR-ABM），其近似接触来自不同观测频率收集的合成接近接触数据。这些合成的邻近接触数据是通过跨数据集和疾病/病原体使用快照和上限方法进行下采样生成的。

基于代理的 SEIR 模型。

基于代理的模型将研究人群中的每个人视为具有四种可能状态之一的参与者，就感染的自然史而言：易感、潜伏感染（暴露）、感染和处于移除状态，赋予对未来感染的持续免疫力。在任何一个时间量子点，给定的代理都由活动接触向量进一步参数化，该接触向量由当前研究的该代理的邻近接触数据指定，在当前水平和聚合类型下。

我们基于SEIR代理的模型（SEIR-ABM）从集合{流感，SARS，第五，百日咳，麻疹，水痘，MERS，白喉，COVID-19野生型，COVID-19阿尔法变体，COVID-19 Beta变体，COVID-19 Delta变体}中获取邻近接触数据，初始感染因子和疾病/病原体。邻近接触者观察重复四次，确保至少四个月的近距离接触者时间序列用于传播模拟，以避免低估右删失数据引起的攻击率 - 特别是考虑到暴露期和感染期加起来超过二十天的疾病/病原体。

对于每种疾病/病原体，我们收集了基本的生殖数R0 (表 1）以及潜伏期和感染期的范围估计。有关这些疾病/病原体的描述和评论可以在S1附录中找到。为简单起见，我们将在下面的文本中将病原体或病原体的变体类型称为疾病。SEIR-ABM中的每个药剂都与从相应范围内均匀抽取的潜伏期和个人感染期相关联。虽然在实践中R0在空间和时间上随着人与人或人与向量相互作用的速率而变化[57]，我们假设相同的R0对于具有不同 SHED 数据集的场景，因为参与者在校园中花费了大量时间。本文重点分析了蓝牙发现感应到的近接触的时间分辨率的影响。即使 R0没有针对每个 SHED 数据集中表示的特定人群单独校准，它不会阻止我们解释 R 如何0随时间分辨率而变化。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 1. 疾病参数表。

https://doi.org/10.1371/journal.pcbi.1010917.t001

采用简化模型，因为我们主要对测量频率的影响感兴趣。该模型支持在各种流行病学背景下所探索的疾病特征的程式化概念：

封闭人口尽管这里检查的12种传染病中的一些可能是致命的，但我们假设一个封闭的人群没有死亡或寻求护理，会导致感染者在康复之前从循环中消失。

无干预个人感染或公共卫生信息中关于已确定疫情的发生可能导致采取个人防护行为，例如提高卫生依从性和人群成员的社交距离;疫情还可能导致触发公共卫生干预措施，例如疫情应对免疫运动、检疫工作、接触者追踪或增加疫苗接种。在我们的模拟中，我们假设感染状态不会改变代理行为。

感染的一致性阶段虽然本文中考虑的不同传染病在其感染的自然史特征（例如，存在有症状和替代寡核苷酸/无症状途径，缺乏永久免疫力）和传播途径（例如，空气传播，飞沫，粪口）方面存在很大差异，但为了关注时间量化的影响，我们将它们视为都具有4阶段感染自然史和基于邻近性的特征。 传播，仅在每个州内特定疾病的停留时间方面有所不同。此结构从“易受暴露”、“感染”和“已删除”状态开始。根据该模型的4个月时间范围，我们假设12种传染病中的每一种都不可能再次感染。

均匀感染率我们假设，对于每对不和谐的个体进行接触，病原体传播的概率取决于恒定的危险率和接触期的持续时间。该危害率由潜在感染暴露β（例如，打喷嚏、产生气溶胶或握手）的比率以及每次此类暴露的传播概率决定。

系统动力学/隔室 SEIR 模型 （SEIR-SD） 通常具有 ，其中 λ 是感染力，β 是易感者和感染者之间每次接触的传播概率，是每个易感者每单位时间内进行的平均接触次数，γ是感染者恢复或以其他方式过渡到移除状态的速率。在SEIR-ABM中，由于没有干预假设，我们估计给定观察到的时间图，其中T = ξn是有效研究期，是指标函数，‖V‖是记录其接触网络的参与者数量，并且‖V‖在模型中不会因为封闭人口假设而改变。

SEIR-ABM 中的所有药物开始时均为易感药物，但一种初始感染者除外。为了解决对指数感染个体的爆发结果的潜在影响，我们将最初感染者迭代到整个人群中。对于每个初始感染设置，我们在 30 个不同的实现中模拟了模型，每个实现都与不同的随机数种子相关联。在高层次上，我们的 SEIR-ABM 算法可以总结如下（算法 1）：

算法1：SEIR-ABM的概述

输入：联系人数据，

疾病

最初感染者

输出：感染事件列表

1;

2 它←迭代器（);

3 对← init_population;

4 set_health_state （， 传染性）;

5吨←0;

6 克 ← 下一个（它）;

7 而 t < T 做

8张地图（update_health_state，Vs）;

9 map（λ v. append（， expose_all_connected（v， G））， filter（λ v. at_health_state（v， Infectious）， Vs））;

10 如果 get_timestamp（G） + ξ < t 则

11 克 ← 下一个（它）;

12 结束

13 吨 ← tick_tock（吨）);

14 结束

参数变化网格。

对于这两种下采样方法中的每一种，我们的模拟都考虑了涉及三个参数类的所有组合的场景：基础人群、疾病和下采样间隔（模拟观察频率）。本文专门研究了给定特定潜在研究人群和病原体的下采样方法和下采样间隔的影响。我们考虑以下所有组合：

两种缩减采样方法：快照和上限

五个数据集（SHED1-2，SHED7-9）与群体{39，32，61，74，78}，考虑每个群体中每个可能的外源性感染指数

19种病原体及其伴随的传染病：甲型流感、SARS-CoV、细小病毒B2、百日咳博德特氏菌、麻疹麻疹病毒（MeV）、水痘-带状疱疹病毒（VZV）、中东呼吸综合征冠状病毒、白喉棒状杆菌、SARS-CoV-2、SARS-CoV-1（B.1.7.2）、SARS-CoV-351（B.2）、SARS-CoV-1（B.617.2.<>）

七个采样间隔：5 分钟（基线）和 6 个下采样间隔：10、30、60、90、180、360 分钟

每个参数化 30 个蒙特卡罗实现的集合

考虑到上述所有组合，我们模拟了SEIR-ABM模型的1312080实现。在配备英特尔至强 CPU E5–2690 v2 和 503GB 内存的服务器上评估实现情况。模型在 AnyLogic 8.1.0 中创建，并导出到 OpenJDK 1.8.0_252 的独立 Java 应用程序，从而产生 85GB 的输出数据。

影响指标

基于SEIR代理的模型产生的传播动力学有多种用途，典型表现为评估干预措施[78，79]，了解传播路径[80，81]，估计疾病参数[82，83]和预警爆发[84，85]。 这些用法通常基于模型模拟结果，例如攻击率、接触网络中的传播途径以及个体感染风险。我们采用相应的指标来总结这些模拟结果在参数变化网格中的变化，承受由于蒙特卡罗实现的随机因素和每个群体中感染指数的旋转而产生的变化。

累计病例。

实现的累积病例是整个实现过程中内源性感染的数量，从由于外源性感染（不计算）引起的感染开始，直到没有人处于暴露或传染状态。由于对封闭人群和非周期性感染阶段以及持续免疫的假设，累积病例的上限比基础人群的规模少一个。在不对超过三十个蒙特卡罗实现的累积病例分布施加假设的情况下，我们使用中位数和分位数间范围（IQR）作为统计来按组汇总累积病例。在基于代理的模型中，疾病传播的结果可能受到最初感染个体的接触网络的强烈影响。我们探索了两种通过构建有/没有索引感染者的块来对累积病例进行分组的方法。

暴发和暴发时间。

暴发时间和行为是传染病的常见研究特征，但由于数据收集和要计算的适当队列的特征方面的挑战，暴发的可量化定义各不相同。这项工作没有强加定量定义，而是使用随时间推移的累积病例作为给定潜在人群V和观察到的接触数据的模拟中疾病爆发动态的量化。

ABM-SEIR 的每个实现都模拟了对一段时间内累积案例的观察，作为连续的时间序列，其中 i = 1， 2， ?， N司仪是蒙特卡罗复制的索引，t 是模拟中的时间，范围从零到该实现终止的时间。回想一下，一旦最后一个感染个体完成其感染期，实现就会终止，从而成为移除。累积病例的连续时间序列在初始感染个体（特定于基础人群 V）、观察到的接触数据（特定于采样方法η和采样间隔 ξ）和疾病（参数化潜伏期和感染期）指定的情况下有所不同。ζ的平均值(我)在不同的初始感染个体和蒙特卡罗复制指数i上，用 表示，是给定潜在人群 V 和观察到的疾病接触数据的累积病例的样本平均值。假设基础人群 V 的每个个体成为初始感染个体的几率均匀，我们可以用来估计预期的累积病例。

为了比较不同人群规模‖V‖的潜在人群，我们将归一化预期累积病例（NECC）定义为，其中0表示没有感染，1表示整个人群被时间t感染。对于一种疾病，给定潜在的人群V和观测到的接触数据，NECC反映了在时间t的最大潜在累积病例的估计预期分数。

攻击率。

实现的发作率是累积病例与其潜在人群规模的比率。发作率反映了在我们的假设下，在其他易感人群中以外源性感染指数开始感染的人数比例。将发作率视为根据其潜在人群规模归一化的相应累积病例，我们可以比较给定疾病的不同潜在人群之间的发作率，但使用不同的下采样方法和观察频率。这些比较可能会揭示潜在人群是否会改变时间分辨率对我们感兴趣的传输模拟结果的重要性。

我们引入了一个精度-精度视图来测量与模拟的攻击率相关的偏差，这些模拟由基线的下采样接触观察值参数化。此偏差测量是在基础人群 V 和疾病参数化的情况下对每种下采样方法（快照或上限）进行的。潜在的群体 V 既塑造了基线接触观察，也塑造了一组可能的初始感染个体的闭合。我们总结了两个统计数据：中位数和 IQR，从对接触网络、初始感染个体和一种传染病的观察定义的每种场景的 482 个实现中的 30 个集合中得出的攻击率值。统计量（中位数或 IQR）与基线的下采样接触观测值参数化的模拟攻击率的差异定义为 。

接触网络中的传播途径。

对接触网络中传播途径的研究调查了疾病/病原体如何在感染性和易感个体之间的传播途径上传播，考虑到他们居住的接触网络的结构[86，87]。传感器数据衍生的近似接触揭示了接触网络，以研究依赖于气溶胶传播途径和潜在直接接触传播途径的疾病传播途径[29，31，88]。实现的感染对，由 （V 的有序元组表示）敏感， V传染性），说明 V 的感染敏感由 V传染性在V感染期传染性在实现中。由于感染对是反映实现的传播途径的基本结果，因此我们试图通过比较相应实现的感染对的统计数据来衡量时间分辨率对接触网络中传播途径的影响。

给定来自 ABM-SEIR 模型的一组实现，总体大小为 ‖V‖，如果我们将所有可能的个体元组放入具有规则 （i， j） ? （k， l） 的规范形式 ? i ? j ∨ （i = k ∧ j ? l），那么我们可以将实现集中感染对的频率表示为向量， 哪里。假设Ω≠0和个体成为外源性感染指数之前均匀，L1-感染对频率的归一化向量，用 表示，是感染对在实现中发生的相对风险。

现在我们考虑两个参数集，并共享疾病/病原体、潜在人群和采样方法，但占空比间隔不同 ξp和 ξq.由 产生的实现差异，就感染对的频率而言，可以用 1 阶的加权闵可夫斯基距离来反映，用 表示为 ，其中权重和 （?）腹肌是向量的元素绝对值运算符，使得 .当 ξp < ξq，是一个占空比间隔大于 的参数集，此加权闵可夫斯基距离与感染对的频率Ωp和Ωq可以解释为风险加权L1-由占空比间隔 ξ 的下采样近似数据产生的距离q从占空比间隔 ξ 的参考近似数据p.这个预期的L1-距离处理由于蒙特卡罗实现的随机因素和每个人群中感染指数的旋转而导致的变化，使我们能够推断观察频率对共享潜在人群的感染对模拟结果的影响。请注意，0 ≤ DM(Ωp、Ωq） ≤ N司仪‖V‖，其中 N司仪= 30 是每个参数化的蒙特卡罗实现次数，‖V‖ 是由于指数感染因子的旋转。我们有DM(Ωp、Ωq） = 0 Ωp = Ωq和 DM(Ωp、Ωq) = N司仪‖V‖当.统一 D 的比例M(Ωp、Ωq） 对于不同规模的基础人群，我们采用 0 ≤ D纳米(Ωp、Ωq） ≤ N司仪.

个体感染风险。

一个人的感染风险是通过个人被感染的实现比例来估计的。对于总体 V，其在疾病情况下的个体感染风险、抽样方法和样本区间可以用总体中每个人的感染风险向量表示，用 表示。L1-个体感染风险的归一化向量，表示为可以认为个体最有可能被感染的可能性。

对于给定疾病和数据集的每个组合的每个人，我们根据使用下采样方法∈η {Upperbound， Snapshot} 的 ξ-下采样接触数据提供的模拟中的感染计数计算了拉普拉斯平滑个体感染概率;然后我们将单个感染概率组装成 L 的向量+1-个体感染风险的标准化载体 。采用拉普拉斯平滑法来确保在模拟结果中未被感染的人仍然被分配被感染的小概率。

为了表征随着样本区间ξ的增加而出现的偏差，我们采用了基线与样本区间ξ的Kullback-Leibler散度，表示为，其中ξ +0= 5，ξ ∈ {10， 30， 60， 90， 180， 360}。KL-散度在通过下采样方法η、基础人群 V 和疾病的组合参数化的情况下，对 KL 散度进行了六次评估（ξ = 10、30、60、90、180、360）。++

结果

我们从两个角度评估了下采样方法和频率的影响：由此产生的网络结构失真和传输模型结果的偏差。每次此类评估都使用基线保真度网络表示的结果作为评估此类失真/偏差的参考。网络结构分析表明，随着观测频率的降低，Snapshot方法和上限方法以不同的方式扭曲网络结构——快照以低估节点度为代价来保持平均累积接触时间。相反，上限方法会导致平均累积接触时间膨胀，但保留节点度分布。以下各节分析了在人群和个体水平上评估的传播模型结果的偏差。为了保持正文简洁，我们将本节中的数字限制在三种选定的疾病上——甲型流感，表示为流感;SARS-CoV-2 （B.1.617.2），表示为 covid19delta;和麻疹麻疹病毒（MeV），表示为麻疹。包括所有12种疾病的相应数字可以在补充材料中找到。

对人口水平模拟结果的影响

观测频率对ABM-SEIR模型模拟结果的影响可以在群体和/或个体水平上考虑。利用累计病例和发作率来衡量观测频率对人群模拟结果的影响。传播模型的这种人群水平结果通常用于评估疫情的规模或即将到来的浪潮的总体严重程度。我们对不同ξ的累积病例进行了韦尔奇t检验，以得出观察频率对累积病例平均值影响的定量结论。对不同ξ的累积病例采用普伦蒂斯修正弗里德曼检验，检验观测频率对累积病例分布的影响。

累计病例。

在图 1 和图 2 中，我们可视化了基于代理的 SEIR 模型实现过程中累积案例的经验分布，该模型由不同占空比间隔的下采样接触数据告知，快照和上限下采样方法各有一个网格。在一般情况下，快照方法保留累积事例的分布，而不考虑占空比间隔的增加。同时，上限方法存在系统性地高估爆发的合理性。对于R相对较高的疾病0 (例如，麻疹）和“更近”的人群（SHED1-2），快照方法有可能低估具有稀疏观测值的合理暴发 - 那些采样间隔一小时或更长时间 - 而上限方法保留相应暴发发生的风险，代价是结果在普遍感染或初始感染后没有进一步感染之间有所不同。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图1. 快照方法的累积事例的小提琴图网格。

https://doi.org/10.1371/journal.pcbi.1010917.g001

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图2. 上限方法的累积事例的小提琴图网格。

图 1 和 2 是两个小提琴图网格，可视化了基于代理的 SEIR 模型的累积病例结果的经验分布，该模型由在不同观察间隔下采样的邻近接触数据告知，给定不同的疾病，在不同的基础人群中。在最高级别，我们通过下采样方法总结了模拟的累积案例，导致两个具有相似排列的子图，此处称为小提琴图网格。每个快照和上限下采样方法都存在一个这样的网格。每个这样的网格都描述了累积病例如何因疾病（行）和数据集（列）而变化。在小提琴图网格的每个单元格内，根据观察间隔的增加，从左到右排列累积病例的小提琴图，最左边是5分钟间隔，最右边是360分钟。每个小提琴图显示了模拟累积病例在不同随机种子和初始感染个体上的分布，在由其水平轴标签表示的观察间隔内。基础人群的规模用蓝线表示，红点表示相应小提琴图的平均值，表示累积病例分布。

https://doi.org/10.1371/journal.pcbi.1010917.g002

韦尔奇的t检验。

我们使用 R 包统计版本 1.2.89 提供的 Bonferroni 校正韦尔奇 t 检验 [90， 4] 验证了我们对图 0 和图 2 的解释。对于快照和上限的每种采样方法，我们测试了被疾病和潜在人群阻断的不同占空比间隔的累积病例。得到60个模块，每组（观察频率）至少有960个样本（实现的累积案例），足够大，可以考虑t检验的稳健性，给定累积案例偏离正态的分布[91，92]，如图1和2所示。将 alpha 值设置为 5%，我们的原假设是给定高 R 以外的疾病/病原体0疾病（水痘、麻疹、百日咳）和基础人群，以不同观察频率收集的近似接触者导致的累积病例的平均值相等。对于每个模块，按占空比间隔成对排列，每个模块和α进行 21 次比较改变= 0.05/21 = 0.00238。事实证明，对于快照方法，对于小于或等于30分钟的观察间隔对，零假设并未被拒绝，除了占空比间隔8-10对之间的SHED30-白喉（t（4368.3） = ?3.10115，p = 0.00194），SHED8-SARS 5-30（t（4294.5） = ?3.23677，p = 0.00122））和SHED9-白喉5-30（t（4399.6） = ?3.61278，p = 0.00031）。 对于上限方法假设被拒绝，除了 SHED2-第五 5–10 （t（1910.7） = ?1.8350， p = 0.06666）， SHED2-MERS 5–10 （t（1902.2） = ?1.037， p = 0.29989）;SHED9-COVID19Delta 90–180 （t（4667.3） = ?1.2404， p = 0.21490）， 180–360 （t（4675.8） = ?1.9465， p = 0.05165）. 韦尔奇 t 检验的完整结果可以在 S1 表中找到。

普伦蒂斯修改的弗里德曼测试。

我们进一步验证了我们对图1和图2的解释，Prentice修改的弗里德曼检验[93-95]由R包muStat提供，版本1.7.0。我们测试了按采样间隔分组的累积病例，并按数据收集、采样方法、人群（数据集）、疾病和初始感染节点进行阻断。得到的 χ2= 222081，具有 6 个自由度（反映采样间隔 ξ ∈ {5， 10， 30， 60， 90， 180， 360} 共有 7 个选择），p < 2.2e?16，原假设是采样间隔不区分累积案例的分布，对于相同的数据收集、采样方法、数据集， 疾病和初始感染淋巴结。

暴发和暴发时间。

对于每种疾病，我们绘制了一个子图网格，以可视化每个基础人群（列）的采样间隔（行）和采样方法（颜色）影响下的归一化预期累积病例（NECC）的变化。选择四个代表并显示在图3-6中;其余部分可以在 S1 附录中找到。类似的疾病似乎具有相似的动态，例如，如图3和图4所示;极低和高R的疾病0无论采样方法、间隔和数据集如何，它们的行为往往都大不相同，从对比图 5 和 6 可以看出。通常，快照方法的NECC曲线显示随时间推移的累积病例（在纵轴上）的较小估计值。随着下采样间隔的增加，快照方法的NECC曲线也倾向于在水平轴上更早结束。这种提前终止反映了这样一个事实，即断开连接可以阻止病原体在感染性和易感性中传播，因为错过了接触。对于给定的潜在人群，疾病传播的提前终止似乎与累积病例的较小估计一致，除了由于整个人群都被感染而导致NECC曲线提前终止的情况。该分析表明：

正如预期的那样，鉴于最初易感人群，具有催化暴发倾向的病原体在暴发期间通常会表现出明显的、急剧增加的感染。弱传播的病原体最初上升，然后是长尾。更值得注意的是，这种趋势在很大程度上与抽样方法、总体和抽样间隔无关。

在跨人群、抽样方法和间隔的模式中，临床上相似的疾病表现出相似的曲线：已知SARS（图4）具有与流感相似的特征（图3），并且它们在我们的测量中表现出相似的模式。对于“较近”的人群，差异很小。

在与采样方法和间隔以及人群（数据集）无关的模式中，具有不同R的疾病0行为不同。百日咳（图5）的R最高0在我们模拟的疾病中，MERS（图6）最低。它们的模式是不同的——百日咳往往有更明确的爆发。相比之下，SARS在开始时表现出陡峭的曲线和长尾，表明疾病传播有限。

快照和上限与 5 分钟基线之间的差异随着采样间隔 ξ 的增加而增加。由采样间隔引起的差异对研究总体特征的影响较小，“扩散”社区（如SHED9）在快照和上限方面都表现出实质性差异。

当采样间隔较大时，快照方法在使NECC接近5分钟基线方面优于上限，但代价是缩短了疾病传播周期。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图3. 流感爆发时间。

https://doi.org/10.1371/journal.pcbi.1010917.g003

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图4. 非典爆发时间。

https://doi.org/10.1371/journal.pcbi.1010917.g004

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图5. 百日咳的爆发时间。

https://doi.org/10.1371/journal.pcbi.1010917.g005

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图6. 中东呼吸综合征的暴发时间。

图3-6比较了疾病的暴发时间。归一化预期累积病例 （NECC） 根据疾病、基础人群、采样方法和采样间隔，估计预期累积病例在时间 t 时占其基础人口规模的一小部分。我们将NECC随时间推移组织为每种疾病的细胞网格中的彩色曲线，其中潜在的人群以列为单位，采样间隔以行为单位。每个单元格绘制基线的三条 NECC 曲线（红色），使用快照方法（绿色）进行下采样，并使用上限方法（蓝色）进行下采样。每条 NECC 曲线以月为单位（x 轴）绘制 NECC（y 轴）随时间的变化。x 轴和 y 轴都是对数10-规模。每个图的原点为 （0.5 周，10?5).x 轴上的小刻度（较浅的垂直条带）在第一个月前标记 1、2、3 和 4 周，然后每半个月（15 天）标记一次。NECC曲线具有不同的周期（在x轴上），因为它们要么缺乏从感染到易感的近似接触，要么从易感者中跑出来。如果 NECC 曲线因敏感性耗尽而提前结束，则其 NECC 值将在 y 轴上的 1 处停止。更陡峭的NECC曲线意味着累积病例的增长更快。我们在这里选出了四名代表;其余部分可以在 S<> 附录中找到。

https://doi.org/10.1371/journal.pcbi.1010917.g006

攻击率。

如图 7 所示，在精度-精度视图中，使用 Snapshot 方法进行缩减采样时，点更接近 R 较低的传染病的起源0对于“弥漫”群体，例如 {SHED7、SHED8、SHED9}，表明 Snapshot 在随着下采样间隔的增加而保持攻击率估计方面的优势。对于高 R 的疾病0（麻疹）和“更近”的社区{SHED1，SHED2}，随着ξ的增加，快照低估了攻击率，而上限则高估了攻击率。上限可降低估计攻击率的 IQR 偏差，而快照会增加四分位数间距 （IQR） 偏差。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图 7. 快照方法给定初始感染节点的攻击率。

https://doi.org/10.1371/journal.pcbi.1010917.g007

模拟结果在发作率方面的精度-精度偏差取决于潜在的群体结构（“更接近”或“弥漫性”）、传染病的类型、采样方法（快照或上限）和样本区间。在图7和图8的每个子图中，随意检查分布向水平轴较高值的偏斜性质（表明发病率的中位数偏差增加）证实，如[39]所示，增加样本间隔会导致高估攻击率。相比之下，每个子图中按颜色对点的聚类表明，初始感染节点对我们选择的两个统计数据的影响较小，以反映准确性-精度权衡。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图8. 给定上限方法初始感染节点的攻击率。

图 7 和图 8 中的精度-精度视图测量了与基线下采样接触观测值参数化的模拟攻击比的偏差。这里我们只显示 ξ ∈ {10， 60， 360} 以防止点过度聚类，其余的可以在附录中找到。子图根据基础人群V和疾病的组合排列为网格。在特定于给定组合的每个子图中，中位数攻击率的偏差显示在水平轴上（反映精度），攻击率的四分位数间距（IQR）的偏差显示在纵轴上（与精度负相关）。此类子图中的每个数据点都与 的特定采样区间 ξ 相关联，其值由颜色和形状表示，以便视觉清晰。在图7和图8中，具有相同颜色和形状的点倾向于聚类而不是与其他颜色混合，这表明样本间隔影响比初始感染节点更能控制攻击比的准确性和精度。在图 7 中，当使用 Snapshot 方法进行缩减采样时，对于 R 较低的疾病，点更接近原点+0（水痘、麻疹和百日咳除外）和“远距离”人群，如 {SHED7、SHED8、SHED9}，表明随着下采样间隔的增加，Snapshot 在保持攻击率估计方面具有优势。对于高 R 的疾病0（水痘，麻疹，百日咳）和“更近”的人群（{SHED1，SHED2}，随着ξ的增加，Snapshot metod低估了攻击率，而上限略微高估了。上限可降低估计攻击比的 IQR 偏差，而快照会增加 IQR 偏差。

https://doi.org/10.1371/journal.pcbi.1010917.g008

在子图中逐列比较，快照方法在“扩散”群落中表现良好，导致中位数偏差低，IQR偏差低。当与“更近”的网络一起使用时，快照往往会高估攻击率，但低估 IQR。上限比快照表现出更大的偏差，并且随着采样间隔的增加，从左到右更加一致。当采样间隔较短且采样率较高时，由于重建的接触网络失真较小，因此攻击率表现出较低的中位数和 IQR 偏离。随着采样间隔的增加和采样率的降低，上限往往会变得不那么准确和不那么精确。随着样本间隔的进一步增加，对发作率的高估达到了极限，因为与初始感染者直接或间接相关的人被可靠地感染了高R。0病原体，或患者未感染低 R 的病原体0.

在子图中逐行比较，也可以看到疾病特异性模式：估计低 R 的疾病的发作率0，如甲型流感，似乎对采样间隔相对不敏感。R足够高的病原体/传染病0随着采样间隔的增加，其行为往往相似，无论它们在 R 中的差异如何0价值。

对个人水平模拟结果的影响

我们测量了观察频率对个体水平的模拟结果的影响，包括传播途径和个体感染风险。个体感染风险可提示易感人群优先考虑资源分配并确保健康公平性[96]。个体感染风险通过个体感染的实现比例渐近接近。个体感染风险的差异可以根据相同潜在人群V和疾病的不同数据集之间的加权闵可夫斯基距离进行成对比较。我们计算了不同ξ下个体感染概率的Kullback-Leibler散度，以得出下采样频率对人群水平模拟结果影响的定量结论。在水痘、COVID-9、白喉、麻疹和百日咳中观察到SHED19的快照方法的KL发散值较高，图9中相应列的颜色较深。与甲型流感相关的KL发散值较低，无论数据集和下采样频率如何，都会在该图中的相应列中诱导其较浅的颜色。我们发现KL背离可以有效地总结图9所示的信息，因此可以作为衡量个体风险差异的有效指标。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图 9. 感染对的距离矩阵。

二维 （2D） 直方图的两个网格可视化了感染对频率的成对加权闵可夫斯基距离矩阵，给定了下采样方法、疾病和潜在人群的采样频率。如图例所示，所有直方图共享一个色阶，随着差异程度的增加，颜色从浅色变为深色。对于每个矩阵，从其左上角开始，观察间隔按升序排列 - ξ = 5， 10， 30， 60， 90， 180， 360 - 从左到右水平排列，从上到下垂直排列。我们发现快照在保持感染对的一致频率方面更好，特别是当观察频率高于每半小时一次时，除了更高的R0“弥漫性”社区的疾病，例如SHED9中的水痘和麻疹。对于较低的 R0疾病（流感），特别是在像SHED1这样的“较近”社区，快照方法的加权闵可夫斯基距离小于5，即使在360分钟和<>分钟的观测频率之间也是如此。

https://doi.org/10.1371/journal.pcbi.1010917.g009

感染对的距离矩阵。

图9显示了给定下采样方法、疾病和潜在人群采样频率的感染对的成对加权闵可夫斯基距离矩阵，随着差异程度的增加，颜色从浅到深。我们发现 Upperbound 比 Snapshot 更擅长保留可能的路径，并且保留疾病传播的可能路径所需的采样间隔限制介于 ξ ∈ {10， 30， 60} 之间。在上限下，具有相似 R 的疾病0彼此相似，并且 MERS 具有低 R0= 0.69，对于不太“弥漫”的人群，其可能的路径在采样间隔内显着变化，而其他疾病 - 尽管表现出广泛的R0∈ [0.69， 15] - 对于给定总体，保持采样间隔增加的可能路径的类似模式。

Kullback-Leibler个体感染风险的分歧。

如图 10 所示，除了 R 较低的疾病外，快照方法通常会表现出比上限方法更高的背离度0，如甲型流感（1.31）。一般来说，与ξ相比，越高，个体感染风险与ξ下采样接触数据估计的背离度就越大+0-抽样的联系人数据。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图 10. 个体感染风险的Kullback-Leibler分歧。

随着样本间隔 ξ 的增加，个体感染风险的偏差可视化为线图网格。网格的每个单元格对应于特定的缩减采样方法η（行）、疾病（列）。在每个单元格中，有五条具有不同颜色的线;每种颜色表示相应的基础总体 V。每条彩色线都是通过用直线依次连接相邻点而形成的。每条彩色线有六个点，每个点与样本区间相关联，顺序为 ξ = 10、30、60、90、180、360，表示基线与样本区间 ξ 的 KL 发散度。++

https://doi.org/10.1371/journal.pcbi.1010917.g010

讨论

我们研究了观测频率对接近接触数据的影响，并通过降采样-仿真-评估方法对传输动力学进行了建模。我们首先指定了有关采样方法和采样间隔的各种传感机制。这次探索借鉴了这里提出的两种采样方法 - 快照方法作为概念和实践上的直接方案，上限方法作为理论上限。然后，我们通过从基线进行下采样来模拟使用不同传感方案收集的接近接触数据。最后，我们设计了实验和指标来评估感知制度对各种情况下接近-接触-数据知情传输模型的影响。

我们从人群水平和个人水平的角度评估了在不同潜在人群和疾病类型的情况下，感知制度对传播动态的影响。总之，我们的结果表明：

一般来说，传感制度在人口水平和个人层面影响接近接触数据知情传播模型的多个指标。

感知制度的影响因潜在人群和疾病类型而异而显著变化。

随着采样间隔的增加，接近接触数据被下采样 快照方法和上限方法导致知情的ABM-SEIR模型偏离基线。

对于 SHED 数据集捕获的潜在人群和我们调查的疾病类型，我们似乎需要小于 30 分钟的采样间隔，以降低下采样的邻近接触数据错误表示基线的风险。例如，在图30中，使用快照方法，在SHED1麻疹的情况下，在相应上限网格的几乎每个单元格中，当采样间隔增加超过8分钟时，小提琴图的形状发生了变化，如图2所示。

随着采样间隔的增加，快照方法总体上倾向于保留合理的估计，但与基线相比，存在低估疾病传播的风险。例如，快照方法可能会导致累积病例（图 1 和图 3-6）、攻击率（图 7）和感染期（图 3-6）等指标的差异，尤其是在像 SHED1 这样的“封闭”社区和高 R 的情况下0麻疹等疾病。相比之下，与基线相比，上限方法倾向于系统地高估总体水平指标（图2-6和8）。然而，对于高R，上限方法可以保留对疾病传播期的良好估计0疾病（图2和5以及个体感染风险（图10）。

使用快照方法进行下采样的结果在“紧密”社区的情况下显示出与基线更高的差异，R较高0疾病比具有低 R 的“弥漫性”社区0疾病（图7和10）。这种权衡通过创建利用快照和上限方法的最佳混合方案来提高改进采样的潜力。

对于描述疾病的参数，R0似乎在确定采样频率和采样方法对传输模型结果的影响方面具有重要意义。R的重要性0如上所述，通过比较MERS和百日咳可以明显看出。在将 COVID-19 与其变体进行比较时，这种重要性也很明显，此处的特征是潜伏期和感染期相同，如 S1 附录所示。除了 R0，当我们比较具有相似R的疾病对时，我们尚未发现潜伏期和感染期的显着影响0但潜伏期和感染期不同，如麻疹和水痘，如S1附录所示。

据我们所知，我们是最早描述接近接触数据的时间分辨率将如何影响基于代理的传输模型的结果的公司之一。我们发现，为了确保从这里检查的ABM-SEIR模型中获得可靠的结果，通常使用半小时或更短的采样间隔对近似接触进行采样就足够了。此外，我们注意到最有效的采样方法和采样间隔可能取决于疾病的类型。在我们调查的潜在人群和疾病类型的组合中，我们进一步发现，最有利的感知机制可能因感兴趣的人群水平和个人水平指标而异。

我们研究接近接触数据的传感制度对知情传输模型结果的影响的方法具有高度的推广性。这种方法可以适用于针对特定情况调整传感制度，并为用于传输建模的邻近接触网络研究提供证据。

我们的发现受到许多重要限制：

有限的种群规模—鉴于种群规模有限，当种群规模较小时，基于代理的模拟所表现出的量化效应可能会实质性地改变此处快照和上限的行为[97-99]。由于攻击率表示两个整数的商，因此当提名符和分母都很小时，它们的比率的可能值可能很稀疏。部分结果是，与人口规模大时相比，整个人口被感染的意识可能更频繁地发生。

参与者的多样性有限——作为大学生，我们实验的大多数参与者在工作和学习时间上都有相似的生活方式和活动空间。由于不同年龄组和社区中近似接触的网络结构可能是疾病传播的关键因素[100]，因此将这种方法应用于更大且更具社会代表性的社区的结果可能与此处显示的结果明显不同。鼓励未来的工作，以调整我们的方法，以更广泛地收集潜在的人群和疾病类型。

简单的建模方法——虽然将高分辨率邻近接触数据馈送到我们实验中使用的流行病学模型的方法在数学和实践上都很简单，但随着建模方法的进步，有很多机会应用更通用的方法将数据组合到模型中。我们的实验旨在检查观测频率对邻近接触数据所告知的传输模型的影响。未来的研究需要收集纵向发病率报告以及近似接触者，以便能够评估根据邻近接触者数据预测真实世界疫情的传播模型的性能。

总之，这项工作研究了邻近接触记录的观察频率和采样方法对捕获邻近接触网络以进行流行病学模拟的影响。我们根据特定疾病和潜在社区类型的组合，评估了抽样网络的时间粒度在测量网络结构以及人口水平和个人水平模拟结果指标的扭曲方面所引起的影响。这些结果强调了病原体和种群结构的类别，其中新研究的设计应优先考虑接触网络的频繁采样。我们的研究结果还为网络密度和较低的采样率如何扭曲攻击率和个人风险等指标提供了指导。

支持信息

韦尔奇在观察区间的 t 检验。

显示 1/2： pcbi.1010917.s001.zip

跳到无花果共享导航

Welchs-t-test-on-observation-intervals

Welchs-t-test-on-observation-intervals-upperbound.csv

Welchs-t-test-on-observation-intervals-snapshot.pdf

Welchs-t-test-on-observation-intervals-upperbound.pdf

Welchs-t-test-on-observation-intervals-snapshot.csv

1 / 2

下载

无花果分享

S1 表。 韦尔奇在观察区间的 t 检验。

它包含两个逗号分隔值 （CSV） 文件，快照和上限缩减采样方法各一个。每个 CSV 文件都包含相应 Welch t 检验的详细信息，其中块名称是基础人群和疾病/病原体类型的下划线连接字符串。

https://doi.org/10.1371/journal.pcbi.1010917.s001

（邮编）

S1 附录。 辅助结果和模型图。

12种疾病的辅助结果，以及说明SEIR-ABM的图表。

https://doi.org/10.1371/journal.pcbi.1010917.s002

（英文）

确认

我们要感谢Greg Oster和Mohammad Hashemian的技术顾问和帮助。NDO要特别感谢SYK在整个研究期间激发了这项工作和支持。

引用

1.世界卫生组织。2019年冠状病毒病（COVID-19）：情况报告，70;2020. 在线。可用： https://apps.who.int/iris/handle/10665/331683.

2.世界卫生组织。2019年冠状病毒病（COVID-19）：情况报告，72;2020. 在线。可用： https://apps.who.int/iris/handle/10665/331685.

3.世界卫生组织。2019年冠状病毒病（COVID-19）：情况报告，85;2020. 在线。可用： https://www.who.int/publications/m/item/situation-report---85.

4.吴玉春， 陈思强， 陈玉杰.COVID-19的爆发：概述。中华医学会杂志.2020;83(3):217.pmid：32134861

查看文章PubMed/NCBI谷歌学术搜索

5.世界卫生组织。埃博拉疫情的最新情况;2017. 可用： http://www.who.int/csr/disease/ebola/top-stories-2016/en/.

6.Garske T， Cori A， Ariyarajah A， Blake IM， Dorigatti I， Eckmanns T， et al.2013-2016年西非埃博拉疫情中病死率的异质性。英国皇家学会哲学学报 B. 2017;372（1721）：20160308.pmid：28396479

查看文章PubMed/NCBI谷歌学术搜索

7.Long R， Ellis E. 加拿大消除肺结核：休战还是胜利？加拿大医学协会杂志。2015;187(16):1191–1192.密码：26416986

查看文章PubMed/NCBI谷歌学术搜索

8.Gallant V，Ogunnaike-Cooke S，McGuire M.加拿大结核病：1924-2012。加拿大传染病报告。2014;40:99–108.密码：29769890

查看文章PubMed/NCBI谷歌学术搜索

9.世界卫生组织。流感（季节性）实况报道;2017. 可用： http://www.who.int/mediacentre/factsheets/fs211/en/.

10.Rubin GJ，Aml?t R，Page L，Wessely S.与猪流感爆发有关的公众看法，焦虑和行为变化：横断面电话调查。英国医学杂志。2009;339：b2651.密码：19574308

查看文章PubMed/NCBI谷歌学术搜索

11.世界卫生组织。流感更新—290;2017. 可用自： http://www.who.int/influenza/surveillance_monitoring/updates/latest_update_GIP_surveillance/en/.

12.沃勒尔G.普通感冒。加拿大家庭医生。2011;57(11):1289–1290.密码：22084460

查看文章PubMed/NCBI谷歌学术搜索

13.国家免疫和呼吸系统疾病中心，病毒性疾病司。普通感冒：保护自己和他人;2017. 可用： https://www.cdc.gov/features/rhinoviruses/.

14.张 Y， 班布里克 H， 门格森 K， 童 S， 冯 L， 张 L， 等.中国山东百日咳感染的死灰复燃：时空聚类和趋势分析。美国热带医学和卫生杂志。2019;100(6):1342–1354.密码：30994096

查看文章PubMed/NCBI谷歌学术搜索

15.穆伊 FR， 范德马斯 NA， 德梅尔克 何.百日咳死灰复燃：免疫力减弱和病原体适应——同一枚硬币的两面。流行病学和感染。2014;142(4):685–694.密码：23406868

查看文章PubMed/NCBI谷歌学术搜索

16.樱桃京东。2012年的流行性百日咳——疫苗可预防疾病的死灰复燃。新英格兰医学杂志。2012;367(9):785–787.密码：22894554

查看文章PubMed/NCBI谷歌学术搜索

17.张国强， 胡平， 陈思， 梁文， 穆罕默德， 孙瑞， 等.2013-2014年中国南方麻疹疫情卷土重来是否与移民感染有关？回顾性数据分析。国际传染病杂志。2020;90:77–83.密码：31634615

查看文章PubMed/NCBI谷歌学术搜索

18.Weigand MR， Williams MM， Peng Y， Kania D， Pawloski LC， Tondella ML， et al.百日咳博德特氏菌多样性的基因组调查，美国，2000-2013。新出现的传染病。2019;25(4):780–783.密码：30882317

查看文章PubMed/NCBI谷歌学术搜索

19.安德森RM，安德森B，五月RM.人类传染病：动态和控制。牛津大学出版社;1992.

20.Kermack WO， McKendrick AG.对流行病数学理论的贡献。伦敦皇家学会会刊A辑，包含数学和物理性质的论文。1927;115(772):700–721.

查看文章谷歌学术搜索

21.Pellis L， Ball F， Bansal S， Eames K， House T， Isham V， et al.网络疫情模式的八大挑战。流行。2015;10:58–62.密码：25843385

查看文章PubMed/NCBI谷歌学术搜索

22.基林MJ，埃姆斯KT.网络和流行病模型。皇家学会界面杂志。2005;2(4):295–307.密码：16849187

查看文章PubMed/NCBI谷歌学术搜索

23.Eames K，Bansal S，Frost S，Riley S.测量用于建模的接触网络的六个挑战。流行。2015;10:72–77.密码：25843388

查看文章PubMed/NCBI谷歌学术搜索

24.贝利·流行病的数学理论。查尔斯格里芬有限公司，伦敦;1957.

25.多罗申科 A， 钱 W， 奥斯古德 ND.使用基于代理的建模评估疫情应对免疫在百日咳控制中的应用。皮尔·2016;4：e2337.pmid：27602299

查看文章PubMed/NCBI谷歌学术搜索

26.田 Y， 奥斯古德 ND， 阿泽姆 A， 霍普纳 VH.使用基于个体的模型评估萨斯喀彻温省结核病结果的接触者追踪的有效性。健康教育与行为。2013;40（1 增刊）：98S–110S. pmid：24084405

查看文章PubMed/NCBI谷歌学术搜索

27.Osgood N. 使用传统和基于代理的工具集进行系统动力学：目前的权衡和未来的演变。2007年系统动力学学会国际会议论文集。2007;5:3364.

28.Cattuto C，Van den Broeck W，Barrat A，Colizza V，Pinton JF，Vespignani A.分布式RFID传感器网络的人与人交互动力学。公共图书馆一号。2010;5(7).密码：20657651

查看文章PubMed/NCBI谷歌学术搜索

29.萨拉特 M， 卡赞吉娃 M， 李 JW， 李维斯 P， 费尔德曼 MW， 琼斯 JH.用于传染病传播的高分辨率人际接触网络。美国国家科学院院刊.2010;107(51):22020–22025.

查看文章谷歌学术搜索

30.Yoneki E. FluPhone研究：使用讨价还价的虚拟疾病传播。在：第六届ACM挑战网络研讨会论文集。吟唱'6;11.第2011–65页。

31.Hashemian M， Knowles D， Calver J， Qian W， Bullock MC， Bell S， et al. iEpi：用于收集、调节和利用流行病学相关数据的端到端解决方案。在：第二届ACM普适无线医疗保健国际研讨会论文集。移动健康'2.美国纽约：计算机协会;12.第2012-3页。

32.诺尔斯DL，斯坦利KG，奥斯古德ND。用于收集与健康相关的行为数据的现场验证架构。在：2014年IEEE医疗保健信息学国际会议。IEEE;2014.第79–88页。

33.Katapally TR， Bhawra J， Leatherdale ST， Ferguson L， Longo J， Rainham D， et al.SMART研究，一个用于积极生活监测，综合知识转化和政策干预的移动健康和公民科学方法论平台：纵向研究。JMIR公共卫生和监测。2018;4（1）：e31.pmid：29588267

查看文章PubMed/NCBI谷歌学术搜索

34.赖歇特 L， 布拉克 S， 苏伊尔曼 B.使用低功耗蓝牙的自动接触者追踪方法的调查。ACM Transactions on Computing for Healthcare。2021;2(2):1–33.

查看文章谷歌学术搜索

35.Mastrandrea R，Fournet J，Barrat A.高中的接触模式：使用可穿戴传感器，接触日记和友谊调查收集的数据之间的比较。公共图书馆一号。2015;10(9):1–26.

查看文章谷歌学术搜索

36.Farrahi K， Emonet R， Cebrian M. 通过通信痕迹追踪流行病接触者。公共图书馆一号。2014;9(5).pmid：24787614

查看文章PubMed/NCBI谷歌学术搜索

37.Hashemian MS，Stanley KG，Osgood N. Flunet：在流感季节自动跟踪接触者。在：第八届移动、临时和无线网络建模和优化国际研讨会。IEEE;8.第2010–348页。

38.鹰N，彭特兰AS。现实挖掘：感知复杂的社会系统。个人和无处不在的计算。2006;10(4):255–268.

查看文章谷歌学术搜索

39.哈希米安 M， 钱 W， 斯坦利 KG， 奥斯古德 ND.时间聚合对使用微接触数据的流行病学模拟的影响。BMC 医学信息学和决策。2012;12(1):132.密码：23153380

查看文章PubMed/NCBI谷歌学术搜索

40.钱 W， 奥斯古德 ND， 斯坦利 KG.整合流行病学建模和监测数据馈送：基于卡尔曼滤波器的方法。在：社会计算，行为文化建模和预测国际会议。斯普林格;2014.第145–152页。

41.李 X， 基勒 B， 扎汉 R， 段 L， Safarishahrbijari A， Goertzen J， et al.使用动态建模，大数据和粒子马尔可夫链蒙特卡洛阐明阿片类药物滥用的隐藏元素和未来演变。在：第11届国际会议，SBP-BRiMS 2018，美国华盛顿特区;10年13月2018日至2018日。可用： http://sbp-brims.org/20/proceedings/papers/challenge_papers/Illuminating%20the%<>HiddenElements.pdf.

42.Wymant C， Ferretti L， Tsallis D， Charalambides M， Abeler-D?rner L， Bonsall D， et al.NHS COVID-19应用程序的流行病学影响。2021;594(7863):408–412.pmid：33979832

查看文章PubMed/NCBI谷歌学术搜索

43.Schwartz B， Moore PS， Broome CV. 脑膜炎球菌病的全球流行病学.临床微生物学评论。1989;2（增刊）：S118–S124.密码：2655881

查看文章PubMed/NCBI谷歌学术搜索

44.Baker M，McDonald A，Zhang J，Howden-Chapman P.新西兰家庭拥挤引起的传染病：系统评价和疾病负担估计。惠灵顿：奥塔哥大学住房与健康研究项目;2013.

45.科菲PM，拉尔夫AP，克劳斯VL。健康的社会决定因素在A组链球菌感染，急性风湿热和风湿性心脏病的风险和预防中的作用：系统评价。PLOS忽视了热带疾病。2018;12（6）：e0006577.密码：29897915

查看文章PubMed/NCBI谷歌学术搜索

46.热诺瓦·主机代管可以用作面对面联系人的代理吗？EPJ数据科学。2018;7(1):11.

查看文章谷歌学术搜索

47.哈希米安 MS，斯坦利 KG，诺尔斯 DL，卡尔弗 J，奥斯古德 ND。野外人网数据收集：微接触和位置数据的流行病学效用。在：第二届ACM SIGHIT国际健康信息学研讨会论文集;2.第2012–255页。可从： IHI '264.

48.Stanley K， Bell S， Kreuger LK， Bhowmik P， Shojaati N， Elliott A， et al.使用数字遥测的机会主义自然实验：运输中断案例研究。国际地理信息科学杂志。2016;30(9):1853–1872.

查看文章谷歌学术搜索

49.伦理数据。伦理数据：通过智能手机和大数据增强您的研究能力;2021. 可从： https://ethicadata.com/ [引用于 2021 年 <> 月]。

50.Watts DJ，Strogatz SH.“小世界”网络的集体动态。自然界。1998;393(6684):440–442.pmid：9623998

查看文章PubMed/NCBI谷歌学术搜索

51.阿马拉尔·兰， 斯卡拉· 巴泰勒米·小世界网络的类别。美国国家科学院院刊.2000;97(21):11149–11152.密码：11005838

查看文章PubMed/NCBI谷歌学术搜索

52.巴拉巴西AL，博纳波E.无标度网络。科学美国人。2003;288(5):60–69.密码：12701331

查看文章PubMed/NCBI谷歌学术搜索

53.赫斯科特·传染病模型的定性分析。数学生物科学。1976;28(3-4):335–356.

查看文章谷歌学术搜索

54.饶S，皮尔曼·分析来自子带的线性预测、编码和频谱估计。IEEE Transactions on Information Theory.1996;42(4):1160–1178.

查看文章谷歌学术搜索

55.Geman D，Koloydenko A.自然显微图像的不变统计和编码。在：IEEE视觉统计和计算理论研讨会。科罗拉多州柯林斯堡;1999. 可用： http://www.stat.ucla.edu/~sczhu/Workshops/sctv99.html.

56.苹果公司，谷歌公司隐私保护接触者追踪;2021. 可从： https://covid19.apple.com/contacttracing [引用于 16 月 <> 日]。

57.德拉马特 PL， 街 EJ， 莱斯利 TF， 杨 YT， 雅各布森 KH.基本复制数（R0）的复杂性。新出现的传染病。2019;25(1):1–4.密码：30560777

查看文章PubMed/NCBI谷歌学术搜索

58.Petousis-Harris H， Carter P， Turner N， Nowlan M. 2012年新西兰国家免疫计划抗原审查：脑膜炎球菌B和C。新西兰：奥克兰大学免疫咨询中心;2014. 可用： https://www.immune.org.nz/2012-antigen-review-new-zealand-national-immunisation-schedule%2Dmeningococcal-b-and-c.

59.汉博斯基 J， 克罗格 A， 等.疫苗可预防疾病的流行病学和预防，电子书：粉红书。公共卫生基金会;2015. 可从： https://www.cdc.gov/vaccines/pubs/pinkbook/index.html.

60.Lopez AS，Marin M.水痘爆发控制和调查策略手册，2008年。国家免疫和呼吸系统疾病中心（NCIRD），病毒性疾病司;2008. 可用： https://www.cdc.gov/chickenpox/outbreaks/manual.html.

61.Prem K， Liu Y， Russell TW， Kucharski AJ， Eggo RM， Davies N， et al.减少社会混合的控制策略对中国武汉 COVID-19 流行结果的影响：一项建模研究。柳叶刀公共卫生。2020;5（5）：e261–e270.密码：32220655

查看文章PubMed/NCBI谷歌学术搜索

62.坎贝尔 F， 阿切尔 B， 劳伦森-谢弗 H， 真奈 Y， 科宁斯 F， 巴特拉 N， 等.截至2年2021月，令人担忧的SARS-CoV-2021变异株的传播性和全球传播增加。欧洲监控。26;24(2100509):34142653.密码：<>

查看文章PubMed/NCBI谷歌学术搜索

63.精细的PE。群体免疫：历史，理论，实践。流行病学综述。1993;15(2):265–302.pmid：8174658

查看文章PubMed/NCBI谷歌学术搜索

64.国家免疫和呼吸系统疾病中心，病毒性疾病司。白喉;2020. 可从： https://nt.gov.au/wellbeing/health-conditions-treatments/bacterial/diphtheria#heading1 [引用 2020-10-20].

65.Gon?alves G，Correia A，Palminha P，Rebelo-Andrade H，Alves A.细小病毒B19在三所葡萄牙学校引起的爆发。欧元监控。2005;10(6):121–124.密码：16077212

查看文章PubMed/NCBI谷歌学术搜索

66.Kho KA， Eisinger K， Chen KT. 急性细小病毒 B19 感染的产科卫生保健提供者的管理.美国妇产科杂志。2008;198（5）：e33–e34.密码：18355788

查看文章PubMed/NCBI谷歌学术搜索

67.Tuite AR， Greer AL， Whelan M， Winter AL， Lee B， Yan P， et al.与大流行性H1N1流感相关的流行病学参数和发病率估计。加拿大医学协会杂志。2010;182(2):131–136.密码：19959592

查看文章PubMed/NCBI谷歌学术搜索

68.默里GD，克里夫AD。多区域环境中麻疹流行的随机模型。英国地理学家协会学报。1977;2(2):158–174.

查看文章谷歌学术搜索

69.基林MJ，格伦费尔BT.疾病灭绝和社区规模：模拟麻疹的持久性。科学。1997;275(5296):65–67.密码：8974392

查看文章PubMed/NCBI谷歌学术搜索

70.Breban R，Riou J，Fontanet A.中东呼吸综合征冠状病毒的人类间传播性：大流行风险的估计。柳叶刀。2013;382(9893):694–699.密码：23831141

查看文章PubMed/NCBI谷歌学术搜索

71.国家免疫和呼吸系统疾病中心，病毒性疾病司。中东呼吸综合征临床特征;2020. 可从： https://www.cdc.gov/coronavirus/mers/clinical-features.html [引用时间2020-10-20].

72.世界卫生组织。风疹情况说明书;2018. 可从： http://www.who.int/mediacentre/factsheets/fs367/en/ [引用 2018-4-18].

73.Rohani P，Green C，Mantilla-Beniers N，Grenfell B.致命疾病之间的生态干扰。自然界。2003;422(6934):885–888.密码：12712203

查看文章PubMed/NCBI谷歌学术搜索

74.Wallinga J， Teunis P. 严重急性呼吸综合征的不同流行曲线揭示了控制措施的相似影响。美国流行病学杂志。2004;160(6):509–516.密码：15353409

查看文章PubMed/NCBI谷歌学术搜索

75.Lipsitch M， Cohen T， Cooper B， Robins JM， Ma S， James L， et al.严重急性呼吸综合征的传播动力学和控制。科学。2003;300(5627):1966–1970.密码：12766207

查看文章PubMed/NCBI谷歌学术搜索

76.切卡雷利 M、贝雷塔 M、鲁洛 EV、纳纳里 G、卡科帕多 B. 严重急性呼吸系统综合症 （SARS）-冠状病毒 （CoV） 和 SARS-CoV-2 之间的差异和相似之处。另一个名字的玫瑰闻起来会很甜吗？欧洲医学和药理学评论。2020;24(5):2781–3.pmid：32196628

查看文章PubMed/NCBI谷歌学术搜索

77.安德森RM，弗雷泽C，加尼AC，唐纳利CA，莱利S，弗格森NM等。SARS的流行病学，传播动态和控制：2002-2003年流行病。伦敦皇家学会哲学学报B系列：生物科学。2004;359(1447):1091–1105.密码：15306395

查看文章PubMed/NCBI谷歌学术搜索

78.Sewell DK，Miller A，CDC MInD-Healthcare Program。对基于个人的 SEIR 模型进行无模拟估计，用于评估应用于哥伦比亚特区的 COVID-19 的非药物干预措施。公共图书馆一号。2020;15（11）：e0241949.密码：33170871

查看文章PubMed/NCBI谷歌学术搜索

79.Jaouimaa FZ， Dempsey D， Van Osch S， Kinsella S， Burke K， Wyse J， et al.爱尔兰都柏林 COVID-19 发病率的年龄结构 SEIR 模型，具有评估健康干预成本的框架。公共图书馆一号。2021;16（12）：e0260632.密码：34874981

查看文章PubMed/NCBI谷歌学术搜索

80.阿尔特曼 M， Wee BC， 威拉德 K， 彼得森 D， 盖特伍德 LC.流行病学风险评估的网络分析方法。医学统计学。1994;13(1):53–60.密码：9061840

查看文章PubMed/NCBI谷歌学术搜索

81.旅游区COVID-19接触网络分析——基于中国333例确诊病例。公共图书馆一号。2021;16（12）：e0261335.密码：34905566

查看文章PubMed/NCBI谷歌学术搜索

82.Ward M， Maftei D， Apostu C， Suru A. 估计流行性高致病性禽流感亚型H0N5传播的基本生殖数（R1）。流行病学和感染。2009;137(2):219–226.pmid：18559127

查看文章PubMed/NCBI谷歌学术搜索

83.黄思忠.一种新的SEIR流行病模型，应用于根除和控制疾病的理论，以及R0的计算。数学生物科学。2008;215(1):84–104.pmid：18621064

查看文章PubMed/NCBI谷歌学术搜索

84.Van Wees JD， Osinga S， van der Kuip M， Tanck M， Hanegraaf M， Pluymaekers M， et al.预测 COVID-19 爆发的住院率和 ICU 率：有效的 SEIR 模型。世界卫生组织公报。2020.

查看文章谷歌学术搜索

85.洛佩斯·用于预测西班牙和意大利 COVID-19 爆发的改进 SEIR 模型：模拟控制场景和多尺度流行病。物理结果。2021;21:103746.密码：33391984

查看文章PubMed/NCBI谷歌学术搜索

86.阅读JM，基林MJ。网络上的疾病演变：接触结构的作用。伦敦皇家学会会刊B辑：生物科学。2003;270(1516):699–708.密码：12713743

查看文章PubMed/NCBI谷歌学术搜索

87.范德瓦尔 K， 恩斯 EA， 毕加索 C， 帕克 C， 工艺我.评估经验性接触网络作为传染病的潜在传播途径。英国皇家学会界面杂志。2016;13(121):20160166.pmid：27488249

查看文章PubMed/NCBI谷歌学术搜索

88.郑 S， 郭 S， 金 H.一种基于智能手机磁力计的诊断测试，用于传染病流行中的自动接触者追踪。IEEE Access.2019;7:20734–20747.密码：34192097

查看文章PubMed/NCBI谷歌学术搜索

89.韦尔奇·当涉及几个不同的人口变量时，学生问题的泛化。生物梅特里卡。1947;34(1-2):28–35.密码：20287819

查看文章PubMed/NCBI谷歌学术搜索

90.布兰德·多重显著性检验：邦弗朗尼方法。英国医学杂志。1995;310(6973):170.pmid：7833759

查看文章PubMed/NCBI谷歌学术搜索

91.蓝茉莉 T， 迪尔 P， 艾默生 S， 陈 L.正态性假设在大型公共卫生数据集中的重要性。公共卫生年度审查。2002;23(1):151–169.密码：11910059

查看文章PubMed/NCBI谷歌学术搜索

92.萨维洛夫斯基党卫军，布莱尔RC。更现实地查看 t 检验对偏离总体正态性的稳健性和类型 II 误差属性。心理公报。1992;111(2):352–360.

查看文章谷歌学术搜索

93.弗里德曼·使用秩来避免方差分析中隐含的正态性假设。美国统计协会杂志。1937;32(200):675–701.

查看文章谷歌学术搜索

94.弗里德曼·更正：使用秩来避免方差分析中隐含的正态性假设。美国统计协会杂志。1939;34(205):109.

查看文章谷歌学术搜索

95.普伦蒂斯·关于m排名不完整的问题。生物梅特里卡。1979;第167-170页。

查看文章谷歌学术搜索

96.Tugwell P，de Savigny D，Hawker G，Robinson V.将临床流行病学方法应用于健康公平：公平有效性循环。英国医学杂志。2006;332(7537):358–361.密码：16470062

查看文章PubMed/NCBI谷歌学术搜索

97.Trecker MA， Hogan DJ， Waldner CL， Dillon JAR， Osgood ND.修订后的模拟模型不能预测淋病患病率的反弹，即在存在抗微生物药物耐药性的情况下治疗核心群体。性传播感染。2015;91(4):300–302.密码：25512669

查看文章PubMed/NCBI谷歌学术搜索

98.Tian Y， Osgood N. 结核病传播背景下个体模型和汇总模型之间的比较.在：论文集，第29届系统动力学学会国际会议;2011.第10–025页。

99.Rahmandad H，Sterman J.扩散动力学中的异质性和网络结构：比较基于代理和微分方程模型。管理科学。2008;54(5):998–1014.

查看文章谷歌学术搜索

100.Cauchemez S， Bhattarai A， Marchbanks TL， Fagan RP， Ostroff S， Ferguson NM， et al.在2009年H1N1大流行性流感社区暴发期间，社交网络在塑造疾病传播中的作用。美国国家科学院院刊.2011;108(7):2825–2830.密码：21282645

查看文章PubMed/NCBI谷歌学术搜索