COVID-19流行病模型源代码及数据：基于随机过程的传播模拟

软件影响12（2022）100284原始软件出版物基于随机过程的COVID-19模拟模型的源代码和二级数据S.S. Manathungaa，I. A.Abeyagunawardenaa，S.D.Dharmaratneb，c斯里兰卡国家医院，斯里兰卡b斯里兰卡Peradeniya大学医学院社区医学系c美利坚合众国华盛顿大学医学院卫生保健科学系卫生保健和评价研究所自动清洁装置保留字：新冠病毒COVID-19流行病建模基本再生数A B标准新型冠状病毒病（COVID-19）最终导致大流行，许多国家受到不同程度的影响。我们的目标是开发一个COVID-19传播的模拟环境，并考虑环境和社会因素。该程序由三个主要部分组成：一个基于随机过程的流行病模拟模型，一个基本的繁殖数量估计单元和一个图形生成器。该模型可以将各种环境因素作为输入，并模拟感染传播的预期行为，使决策者和科学界能够在沙箱中测试不同缓解战略的效果。代码元数据当前代码版本V2.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-30可再生胶囊的永久链接https://codeocean.com/capsule/1394704/tree/v1法律代码许可证MIT许可证使用git的代码版本控制系统软件代码语言，工具和服务使用R编译要求，运行环境和依赖关系R包tidyverse，gridExtra，gganimate，R0，magick，scales，pbapply如果可用，请链接到开发人员文档/手册https://github.com/ssm123ssm/contagion/blob/main/README.md问题支持电子邮件Ssm123ssm@gmail.com制品主体新型冠状病毒SARS-CoV-2于2019年11月在中国武汉首次发现，并在全 球 迅 速 传 播 ， 最 终 导 致 大 流 行 。由 这 种 名 为 2019 冠 状 病 毒 病（COVID-19）的病毒引起的疾病造成了无数人的生命损失。各国实施多种策略以减少感染传播，例如戴口罩及手部卫生、封锁、严格宵禁及接种疫苗。由于各种环境和社会因素的复杂相互作用，不同国家的感染传播模式差异很大。各国政府试图通过积极限制公共交通、隔离感染者和密切接触者来控制疾病的传播。这些缓解战略使得传统流行病学模型的假设，如人口的同质混合不适用。确定性流行病模型将人群划分为若干区间，并用数学函数描述每个区间的动态。尽管这种方法简单且更通用，但主动控制方法使实际情况与假设的车厢行为不同。这就凸显了本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。155，George E De Silva Mawatha，Kandy，Sri Lanka.电子邮件地址：ssm123ssm@gmail.com（S.S.Manathunga）、ishanya1993@gmail.com（I.A.Abeyagunawardena），Dharmaratne@mbbs.md（S.D.Dharmaratne）。https://doi.org/10.1016/j.simpa.2022.100284接收日期：2022年3月18日;接收日期：2022年3月28日;接受日期：2022年4月1日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsS.S. Manathunga，I.A.Abeyagunawardena和S.D.Dharmaratne软件影响12（2022）100284随机模型，其可以结合用于控制措施的可调参数。该软件旨在引入COVID-19传播的模拟环境，并考虑环境与社会因素之间的复杂相互作用以前提出的随机模型纳入了稀缺量的可调参数。Xie提出的模型以平均感染率为调整参数。Triambak等人提出了一种随机游走模型，该模型将控制干预措施组合为单个参数;随机游走中每一步的大小。我们提出的模型将随机性的一组不同的事件，如公共交通考虑，使其不同于确定性和其他随机模型。用户可以通过定义地理区域和人口数量、接种人口比例、疫苗效力和时间、公共流动水平和变化模式、建立顺序等参数来模拟流行病隔离中心的效率和接触者追踪的效率、病毒的内在毒性、坚持正确洗手和戴口罩的个人比例。一旦输入所需的参数，软件就可以估计病毒传播的演变，并计算基本繁殖数。构造了流行病的图形表示，包括流行病曲线图、传统模型中的区间动态图和描述不同模型产生的基本再生数的不确定性的图最后，生成模拟社区中疾病传播的动画，使用户能够直观地理解传播的动态该模型也是独特的，由于其模块化的性质。 接种疫苗的时间、施加移动限制和预防接种可以由用户明确定义。大量的“假设”情况可以通过此功能进行建模，以帮助决策。该模型可以被校准以产生所观察到的流行病的流行病曲线。这一功能有助于建立参数基线，并预测流行病曲线的预期行为。结果为了证明该模型，模拟了感染在4000万人的影像人群中的传播。校准函数用于估计基线参数，以在一年的模拟期内实现总计2000万例病例地理区域被定义为26 X 26空间。计划在第20个时间步开设一个检疫中心，病例检测效率为60%。初始接种分数设定为30%，疫苗效力设定为80%。在整个模拟期间，流动性水平被设定为恒定的25%。该模型估计了整个流行病期间易感、受感染和被清除的流行病分区的行为，使用指数增长率法估计基本繁殖数为1.14。将上述情景设定为基线，并估计不同条件下的感染传播。疫苗接种覆盖率提高到60%，并在早期阶段对确定的个人进行了免疫接种这些变化使感染者总数减少到100万，是以前情况的50%。在这种情况下，估计基本繁殖数为1.11。在模拟环境中成功地再现了在加利福尼亚州、德克萨斯州和佛罗里达州观察到的流行曲线。2020年3月至2021年6月，加州报告了400万例病例。截至2021年6月底，60%的人口已接种至少一剂疫苗。用这些实际数据对模型进行了校准。该模型生成了传播模式的精确模拟，使我们能够测试不同的模拟的流行曲线估计，到2021年11月，德克萨斯实际报告的总数是4.2万例，与模型估计值相当。同样，该模型估计佛罗里达州有390万例病例，实际报告的病例数为360万例。生成的数字和估计的繁殖数量在“模拟COVID-19感染传播的基于随机过程的模块化工具箱”（www. example. com）中有更详细的描述http://dx.doi.org/10。1016/j.imu.2022.100899）[1]。我们目前正在努力通过引入基于强化学习的代理来改进模型，这将是传统模型向基于自我意识的代理模型的又一步。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作附录A. 补充数据与本文相关的补充材料可以在https://doi.org/10.1016/j.simpa.2022.100284上找到。引用[1]http://dx.doi.org/10.1016/j.imu.2022.100899网站。2