문서이력
배경
내용
토론
먼저 SEIR은 전염병이 전파되는 과정의 상태를 나타내는 susceptible (S), exposed (E), infected (I), resistant (R)를 각각 뜻합니다. Nesse의 SEIR 모형 설명은 다음과 같습니다.
SEIR은 취약(S), 노출 (E), 감염 (I) 및 내성 (R)의 네 가지 상태 사이의 사람들의 흐름을 모델링합니다. 이러한 각 변수는 해당 그룹의 인원 수를 나타냅니다. 알파 및 베타 매개 변수는 사람들이 감염되기 쉬운 상태에서 노출 된 상태 (베타), 감염된 상태 (시그마), 감염된 상태에서 내성 (감마)으로 이동하는 속도를 부분적으로 제어합니다. 이 모델에는 두 가지 추가 매개 변수가 있습니다. 하나는 질병 상태에 영향을받지 않는 배경 사망률 (mu)이고 다른 하나는 예방 접종 (nu)입니다. 예방 접종은 사람들을 노출 또는 감염시키지 않고 감수성에서 직접 저항성으로 이동시킵니다. SEIR은 대기 시간이 추가 된 SIR 모델과 다릅니다. 노출된 개인 (E)은 감염된 사람과 접촉했지만 감염되지 않았습니다.
아래부터는 Nesse의 원래 방정식의 $\sigma$를 $\alpha$로 바꾸어 표기하니 원문을 읽을 때 주의하십시오. 사회적 거리두기가 포함된 모형을 설명할 때 참고한 Hubbs의 방정식과 표기법을 맞추기 위해서입니다.
이에 대한 동적 시스템 방정식은 아래와 같습니다.
$$ \frac{dS}{dt} = \mu (N-S) - \beta \frac{SI}{N} - \nu S \label{eq:Sdot} \tag{1} $$$$ \frac{dE}{dt} = \beta \frac{SI}{N} - ( \mu + \alpha ) E \label{eq:Edot} \tag{2} $$$$ \frac{dI}{dt} = \alpha E - ( \mu - \gamma )I \label{eq:Idot} \tag{3} $$$$ \frac{dR}{dt} = \gamma I - \mu R - \nu S \label{eq:Rdot} \tag{4} $$$$ N = S + E + I + R \label{eq:total_pop} \tag{5} $$여기서, 각 모형의 상태변수는 아래와 같습니다.
전염원에 따라 달라지는 매개변수는 다음과 같습니다..
실제 시뮬레이션을 위해서는 미분방정식을 수치해석해야 하며, 각 상태변수에 대한 초기값과 코로나19에 맞는 매개변수가 설정되어야 합니다.
Christian Hubbs는 아래의 수식을 확장된 SIR 모형이라고 설명하고 있습니다. 앞장에서 설명한 SEIR 모형에서 자연사망율 $\mu$d와 백신율 $\nu$를 0으로 두면 동일한 수식이 됩니다. Hubbs는 R을 Recovered라는 상태로 표현하고 감염후 면역을 획득하고 나은 상태라고 설명합니다.
$$ \frac{dS}{dt} = - \beta SI \label{eq:Sdot_simple} \tag{1.1} $$$$ \frac{dE}{dt} = \beta SI - \alpha E \label{eq:Edot_simple} \tag{2.1} $$$$ \frac{dI}{dt} = \alpha E - \gamma I \label{eq:Idot_simple} \tag{3.1} $$$$ \frac{dR}{dt} = \gamma I \label{eq:Rdot_simple} \tag{4.1} $$$$ N = S + E + I + R \label{eq:total_pop_simple} \tag{5.1} $$Hubbs는 사회적 거리 두기의 효과를 보고 싶어했으므로 이와 같이 간략한 버전도 충분한 의미가 있다고 생각됩니다. 매개변수에 대해서 쉽게 설명하고 현재의 코로나19의 값을 조사하여 제시하고 있습니다.
$\alpha$ 잠복 기간의 역수 ( $\frac{1}{t_{incubation}}$).
$\beta$ 모집단의 평균 접촉 속도.
$\gamma$ 평균 감염 기간의 역수. ( $\frac{1}{t_{infectious}}$ ).
Hubbs가 수식(1)~(5)의 설명을 구글번역하여 인용합니다.
식(1)은 질병에 걸리기 쉬운 사람의 변화이며, 감염된 사람의 수와 감염자와의 접촉에 의해 조절됩니다. 식(2)는 질병에 노출된 사람들에게 제공합니다. 접촉 속도에 따라 자라며 인큐베이션 기간에 따라 감소하여 사람들이 감염됩니다.
식 (3)은 노출 된 인구와 잠복기에 따라 감염된 사람들의 변화를 보여줍니다. 감염 기간에 따라 감소하므로 γ가 높을수록 사람들이 더 빨리 죽거나 회복하고 식 (4)의 마지막 단계로 넘어갑니다. 마지막 방정식 인 숫자 (5)는 모형에 출생 / 마이그레이션 효과가 없음을 나타내는 구속 조건입니다. 우리는 처음부터 끝까지 인구가 고정되어 있습니다.
이 글에서 자세하게 설명하는 매개 변수중에 $R_0$가 있습니다. 이 값은 질병이 얼마나 빨리 퍼지는지를 식(6)으로 표현합니다.
$$ R_0 = \frac{\beta}{\gamma} \label{eq:R0} \tag{6} $$사회적 거리 두기는 대규모 집회, 신체 접촉 및 전염병 확산을 막기 위한 중요한 사회적 활동으로 여겨지고 있습니다. 앞의 모형에 따르면 이런 사회적 활동이 영향을 줄 매개 변수는 접촉 속도 $\beta$입니다.
Hubbs는 사회적 거리 두기를 표현할 수 있는 새로운 매개 변수 $\rho$를 도입했습니다. $\rho$는 0 ~ 1 사이의 일정한 값을 가지는 것으로 가정하고, 0 이면 모든 사람이 격리되어 있는 상황이고, 1이면 사회적 거리 두기를 하지 않는 상태입니다.
모형에 반영하기 위헤서 식(1)과 (2)에 $\rho$를 적용합니다.
$$ \frac{dS}{dt} = - \rho \beta SI \label{eq:Sdot_socdist} \tag{1-mod} $$$$ \frac{dE}{dt} = \rho \beta SI - \alpha E \label{eq:Edot_socdist} \tag{2-mod} $$이제 방정식에 넣을 매개 변수를 코로나19에 맞추어 결정하는 것이 필요합니다. 이를 통해서 코로나19의 확산 과정을 더 잘 이해할 수 있습니다. 핵심은 α, β 및 γ에 대한 값을 결정하여 어떻게 확산 되는지 보는 것입니다.
Hubbs는 COVID-19에 대한 최근의 연구 자료(Hellewell et al. 2020)에서 일부를 추정하였습니다.
$\beta$와 $\gamma$ 값은 Liu Hong (2020)의 연구에서 추정치를 얻습니다. 이 논문은 훨씬 복잡한 동적 모형을 사용하지만, 1/$\gamma$값을 2 일로 얻을 수 있으므로 $\gamma = 0.5$입니다.
이 값을 식(6)의 $R_0$에 대입하여 $\beta = 1.75$의 추정치를 얻습니다.
# SEIR model
# semi-implicit Euler method
# Christian Hubbs의 글을 참고해서 모델을 구현하고 차트 출력 부분을 추가했습니다.
# (https://towardsdatascience.com/social-distancing-to-slow-the-coronavirus-768292f04296)
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import ticker
"""
BASE SEIR model
"""
def base_seir_model(init_vals, params, t):
S_0, E_0, I_0, R_0 = init_vals
S, E, I, R = [S_0], [E_0], [I_0], [R_0]
alpha, beta, gamma = params
dt = t[1] - t[0]
for _ in t[1:]:
next_S = S[-1] - (beta*S[-1]*I[-1])*dt
next_E = E[-1] + (beta*S[-1]*I[-1] - alpha*E[-1])*dt
next_I = I[-1] + (alpha*E[-1] - gamma*I[-1])*dt
next_R = R[-1] + (gamma*I[-1])*dt
S.append(next_S)
E.append(next_E)
I.append(next_I)
R.append(next_R)
return np.stack([S, E, I, R]).T
"""
SEIR model with social distancing
"""
def seir_model_with_soc_dist(init_vals, params, t):
S_0, E_0, I_0, R_0 = init_vals
S, E, I, R = [S_0], [E_0], [I_0], [R_0]
alpha, beta, gamma, rho = params
dt = t[1] - t[0]
for _ in t[1:]:
next_S = S[-1] - (rho*beta*S[-1]*I[-1])*dt
next_E = E[-1] + (rho*beta*S[-1]*I[-1] - alpha*E[-1])*dt
next_I = I[-1] + (alpha*E[-1] - gamma*I[-1])*dt
next_R = R[-1] + (gamma*I[-1])*dt
S.append(next_S)
E.append(next_E)
I.append(next_I)
R.append(next_R)
return np.stack([S, E, I, R]).T
최대 100간을 시뮬레이션하고 인구는 1만명에 최초 감염자는 1명으로 가정하여 위에서 조사된 매개 변수값을 적용합니다.
# initial var. and parameters
t_max = 300
dt = .1
scale_x = 1 / dt
t = np.linspace(0, t_max, int(t_max/dt) + 1)
N = 10000
init_vals = 1 - 1/N, 1/N, 0, 0
alpha = 0.2
beta = 1.75
gamma = 0.5
params_base = alpha, beta, gamma
정의된 초기값과 매개변수로 모형 함수를 호출합니다.
# Run simulation
results_base = base_seir_model(init_vals, params_base, t)
# Plot results
fig = plt.figure(figsize=(12,8))
ax = fig.add_subplot(111)
ax.plot(results_base)
ax.legend(['Susceptible', 'Exposed', 'Infected', 'Recovered'])
ax.set_xlabel('Time (Days)')
ticks_x = ticker.FuncFormatter(lambda x, pos: '{0:g}'.format(x/scale_x))
ax.xaxis.set_major_formatter(ticks_x)
ax.set_ylabel('Population fraction')
ax.set_title(r'SEIR model with $\alpha={p[0]}, \beta={p[1]}, \gamma={p[2]}$'.format(p=params_base) )
plt.xlim(200, 600) #
plt.show()
# peak of Infected
print('Fraction of Infected population = {}'.format(results_base[:,2].max()))
print('Day of peak Infected = {}'.format(results_base[:,2].argmax()/scale_x))
Fraction of Infected population = 0.10024335877116862 Day of peak Infected = 40.4
가정된 인구(1만명)와 매개 변수에 따르면 최소 1명의 감염자에서 최대치가 되는 것은 40일 근방으로 나타나고 인구의 10% 정도가 감염되는 것으로 예측됩니다.
이제 사회적 거리 두기(Soc; Social Distancing)를 할 경우 코로나19의 전염 패턴은 어떻게 되는지 살펴보자. 앞의 기본적인 SEIR 모형에 매개 변수 $\rho = 0.8$가 추가되고 기본 모형과 비교하기 위해서 base 모형과 함께 차트를 그립니다. 이 경우는 20%의 사람들이 사회적 거리 두기를 정확히 하고 있는 것을 가정한 것입니다.
rho = 0.8
params_soc = alpha, beta, gamma, rho
# Run simulation
results_soc = seir_model_with_soc_dist(init_vals, params_soc, t)
# Plot results
fig = plt.figure(figsize=(12,8))
ax = fig.add_subplot(111)
ax.plot(results_base, linestyle='-')
ax.plot(results_soc, linestyle=':')
ax.legend(['$S_{base}$', '$E_{base}$', '$I_{base}$', '$R_{base}$',\
'$S_{soc}$', '$E_{soc}$', '$I_{soc}$', '$R_{soc}$'])
ax.set_xlabel('Time (Days)')
ticks_x = ticker.FuncFormatter(lambda x, pos: '{0:g}'.format(x/scale_x))
ax.xaxis.set_major_formatter(ticks_x)
ax.set_ylabel('Population fraction')
ax.set_title(r'SEIR model with $\alpha={p[0]}, \beta={p[1]}, \gamma={p[2]}, \rho={p[3]}$'.format(p=params_soc) )
plt.xlim(0,1000)
plt.show()
Base SEIR 모형(실선)과 사회적 거리두기(soc) 모형(점선)의 결과를 함께 출력하였습니다. 전체적으로 노출과 감염 인구의 비율이 줄고 지연되는 것을 확인할 수 있습니다.
Base 모형과 비교하여 노출과 감염 인구비율에 주는 영향과 최대 감염자 발생일이 얼마나 늦추어지는지 확인했습니다.
# Drop ratio of Exposed: with soc vs base
r_E = results_soc[:,1].max() / results_base[:,1].max()
# Drop ratio of Infected: with soc vs base
r_I = results_soc[:,2].max() / results_base[:,2].max()
# Delay days of Infected: with soc vs base
d_I = ( results_soc[:,2].argmax() - results_base[:,2].argmax() ) / scale_x
print('Population and COVID-19')
print(r' N = {}'.format(N))
print(r' $\alpha$ = {}'.format(alpha))
print(r' $\beta$ = {}'.format(beta))
print(r' $\gamma$ = {}'.format(gamma))
print(r'Effect of social distancing: $\rho={}$'.format(rho))
print(r' Drop ratio of Exposed = {}'.format(1-r_E))
print(r' Drop ratio of Infected = {}'.format(1-r_I))
print(r' Delay days of peak infected = {}'.format(d_I))
Population and COVID-19 N = 10000 $\alpha$ = 0.2 $\beta$ = 1.75 $\gamma$ = 0.5 Effect of social distancing: $\rho=0.8$ Drop ratio of Exposed = 0.23380988793745305 Drop ratio of Infected = 0.22279100659793027 Delay days of peak infected = 9.9
$\rho = 0.8$인 사회적 거리 두기를 할 경우, 인구의 20%가 스스로 격리한 경우에 노출 인구와 감염자를 각각 23%, 22% 정도 줄일 수 있고, 감염자가 최대치가 되는 날을 10일 정도 지연시킬 수 있는 것으로 계산됩니다.
앞서 설명한 것처럼 $\rho$=1인 경우는 사회적 거리 두기를 하지 않은 경우이고, $\rho$가 0인 경우는 각 개인이 완전 격리된 상태를 뜻합니다. 어느 정도의 사회적 거리 두기를 하면 방역에 효과가 있는지 모사해보기 위해서 0~1까지 구간을 나누어 최대 감염자 비율과 감염율 최대일을 얼마나 지연시키는지 확인해보았습니다.
rhos= np.linspace(0, 1, 100)
I_delayed=[]
I_max=[]
I_base_peak_day=results_base[:,2].argmax()
for rho in rhos:
params_soc = alpha, beta, gamma, rho
# Run simulation
results_soc = seir_model_with_soc_dist(init_vals, params_soc, t)
I_delayed.append((results_soc[:,2].argmax() - I_base_peak_day)/scale_x)
I_max.append(results_soc[:,2].max())
fig = plt.figure(figsize=(12,8))
plt.subplot(121)
plt.plot(1 - rhos, I_max)
plt.xlabel(r'(a) Social Distancing ($1 - \rho$)')
plt.ylabel(r'Population fraction of Infected ')
plt.xlim(0, 0.7)
plt.subplot(122)
plt.plot(1 - rhos, I_delayed)
plt.xlabel(r'(b) Social Distancing ($1 - \rho$)')
plt.ylabel(r'Delayed days of Infected peak [day] ')
plt.xlim(0, 0.7)
plt.show()
위의 그림은 인구의 약 70%가 사회적 거리 두기에 참여하면 사실상 전염을 막을 수 있고 250일 이상 지연시킬 수 있다는 것을 보여줍니다. 그러나 70% 라는 의미는 학교나 기간 산업이 거의 정지한다는 의미이기도 합니다.
지금까지의 시뮬레이션은 우리나라를 포함한 특정 국가의 통계를 사용하지 않았습니다. 사회적 거리 두기의 상대적 효과를 파악하는 것을 목표로 하고 불필요한 오해와 논쟁을 피하기 위해서입니다. 시뮬레이션 결과에 따른면 20% 정도의 사회적 거리 두기($\rho=0.8$)가 성공해도 방역에는 상당한 효과가 있을 것으로 계산됩니다. 다만 20%로 상정한 것은 60일 이상의 사회적 거리 두기를 실천해야 하므로 강한 사회적 거리 두기를 설정하지 않았습니다.