18AI防疫专题论坛.docx

18AI防疫

1

帝国理工郭毅可：抗疫政策的评估，数据科学的应用

整理：智源社区蒋宝尚

在第二届北京智源大会的“AI防疫”专题论坛上，英国皇家工程学会院士、英国帝国理工计算机系教授郭毅可做了题为《抗疫政策的评估：数据科学的应用》的报告。

在报告中，郭毅可详细介绍了如何根据数据建立数学模型预测疫情。郭教授表示：传染病学、流行病学是一门标准的数据科学，同时数据科学并不一定非常复杂，换句话说，针对传染病的数据科学研究都是比较直观的。

在报告中，郭教授还具体介绍了动态和静态两种传染病模型的细节，也对之前的建模预测效果进行了展示，同时对中国和欧洲的两种抗疫政策进行了简单评价。

以下是文字整理：

图1：什么叫流行性传染病？

今天演讲的题目是《抗疫政策的评估：数据科学的应用》，我先从流行传染病开始谈起。传染病与普通疾病的最大区别在于：普通疾病的患者影响自己，传染病由于其传染性在，会进一步影响患病率，而患病率影响发病率，一个病例就可能是一个危险因素。另外，患病率不仅是衡量人口疾病负担的指标，而且也是遇到感染者的概率，其和人与人之间的接触模式高度相关。

2

图2：流行病学是一门关于数据的科学

因此，传染病一旦出现，没有患病的人们关心自己会不会受到传染，政府则关心如何让更少的人被传染。这时，首先需要进行的是数据科学研究，即通过观察有多少人患病（例如进行关于病毒的核酸检测），判断病毒的潜伏期、传染性和传播模式。政府也应出台相应的防疫政策，虽然政策能在一定程度上限制传染病的流行，但却给经济发展带来了风险，这时则需要对政策进行全面的分析和评估。因此，传染病学、流行病学是一个标准的数据科学。

一、静态传染病模型：求解概率方程

图3：帝国理工对武汉疫情的早期预测

数据科学并不一定复杂，换句话说，针对传染病的数据科学研究都是比较直观的。例如帝国理工对武汉疫情最早的预测：我们不知道武汉有多少人感染，但我们知道从武汉出国的人每天有3300人；到1月18日有7个出国的人确诊感染了；另外，一个感染者从感染到发现的平均时间是10天，那么我们就可以简单地估算出武汉大

致感染的人数。因为我们可以把武汉出国的人作为样本，通过求解概率方程式就能得出感染人数。

具体而言，如果考虑武汉机场覆盖人口为武汉周边地区1千9百万，那么感染人数就是4030人，如果考虑武汉机场覆盖人口为武汉地区成年居民900万人，那么感染人数就是1909人。

图4：2020年1月28日湖北省新冠肺炎疫情情况

这个简单的预测非常有价值，因为当时抗疫政策的制定必须要知道感染的规模。该预测结果也在1月29日得到了验证，根据当时卫健委的报告，湖北省有3500人感染，武汉有1900人感染，由此可见当时的预估是较为准确的。

二、动态传播模型：用流动数据讲述生命

图5：传播动态系统数学模型的发明者

上面是简单的数据科学，下面介绍复杂一些的动态变化。关于动态变化，传染病学最重要的一个工作，是所谓的SIR，即传播动态系统的数学模型，由两个物理学家发明。此传染模型带有普遍性，是一个GeneralModel，其概括了传染过程中的三个人群：易感者、感染者，恢复者。

4

先来看一个简单的动态模型，即假设治愈的患者能获得“终身免疫力”，不再传染其他人；再者，还要去除干扰

因素。这时所研究的对象是两个部分，一是从易感者到感染者的传播速率，二是从感染者到免疫/死亡者的周期。针对这两部分，动态模型会描述三个状态：易感状态、感染状态、治愈状态。

图6：传染病动态系统模型

另外，此动态模型对人群也有三个假设：1.每个人都在四处游走，没人会在同一地方待很长时间；2.每人与感染者接触的概率相同；3.所有人不断地混杂在一起。

图7：三个动态变化的人群：三种状态变量

三个动态变化的人群对应三种状态变量，其中易感人群：在某时刻可能会被感染的人群；传染人群：在某时刻已被感染并会传染的人数；免疫、死亡人群：在某时刻已免疫（或死亡）的人数，不会被传染，也不会传染别人。

有了假设、变量之后，然后根据SIR模型找出动态变化规律，即需要确定个体状态如何转换、两个转化速率：

不感染到被感染、感染到治愈。

图8：感染速度：S→Irate

以上就是基本模型的基本思想，虽然会涉及一些数学，但非常简单。例如从易感到被感染取决于什么？当然取决于被感染人数，如果感染人数很多，或者很多人被感染，感染速度就会加快；或者被易感暴露的人群很多，那么感染速度也会加快。

此外，还会涉及到一个参数，即针对速度的参数，其受两方面的影响，一是，有效接触的可