„SEIR-Modell“ – Versionsunterschied
[ungesichtete Version] | [gesichtete Version] |
Rumil (Diskussion | Beiträge) →Anteil der Erholten am Ende der Epidemie: Vertauschung vergessen | →Beziehung zur Basisreproduktionszahl: Ergänzt um die Beziehung zum Maximalanteil Infizierter | ||
Zeile 64: | Zeile 64: | ||
Es lässt sich eine Beziehung zur [[Basisreproduktionszahl]] herstellen. Damit sich die Krankheit nicht weiter ausbreitet, muss <math>E'=0</math> und <math>I'=0</math> sein. Einsetzung dieser Bedingungen in die Differentialgleichungen führt zu <math>aE = \beta SI</math> und <math>aE=\gamma I</math>, und somit <math>\beta S = \gamma</math>. Man betrachte nun außerdem die Gleichung <math>R_q:=R_0 S</math> bzw. <math>R_q:=(1-q)R_0</math> mit <math>q:=1-S</math>. Hierbei ist <math>R_q</math> die Netto- und <math>R_0</math> die Basisreproduktionszahl. Da die Bedingung <math>I'=0</math> mit <math>R_q=1</math> gleichbedeutend ist, ergibt sich | Es lässt sich eine Beziehung zur [[Basisreproduktionszahl]] herstellen. Damit sich die Krankheit nicht weiter ausbreitet, muss <math>E'=0</math> und <math>I'=0</math> sein. Einsetzung dieser Bedingungen in die Differentialgleichungen führt zu <math>aE = \beta SI</math> und <math>aE=\gamma I</math>, und somit <math>\beta S = \gamma</math>. Man betrachte nun außerdem die Gleichung <math>R_q:=R_0 S</math> bzw. <math>R_q:=(1-q)R_0</math> mit <math>q:=1-S</math>. Hierbei ist <math>R_q</math> die Netto- und <math>R_0</math> die Basisreproduktionszahl. Da die Bedingung <math>I'=0</math> mit <math>R_q=1</math> gleichbedeutend ist, ergibt sich | ||
:<math>\beta = R_0\gamma.</math> | :<math>\beta = R_0\gamma.</math> | ||
Alternativ kann man sich überlegen, dass wenn ein Individuum im Mittel <math>\beta</math> Kontakte pro Zeiteinheit hat, es über die mittlere infektiöse Zeit <math>\gamma^{-1}</math> dann <math>\beta\gamma^{-1}</math> Kontakte bzw. neue Infektionen gegeben haben muss. D.h. | Alternativ kann man sich überlegen, dass wenn ein Individuum im Mittel <math>\beta</math> Kontakte pro Zeiteinheit hat, es über die mittlere infektiöse Zeit <math>\gamma^{-1}</math> dann <math>\beta\gamma^{-1}</math> Kontakte bzw. neue Infektionen gegeben haben muss. D.h. | ||
:<math>R_0 = \beta/\gamma</math>.<ref name="idm-seir">Institute for Desease Modeling: [https://www.idmod.org/docs/hiv/model-seir.html SEIR Model] (abgerufen am 12.04.2020)</ref><ref>C. Hubbs (2020): [https://towardsdatascience.com/768292f04296 Social Distancing to Slow the Coronavirus] (abgerufen am 12.04.2020)</ref> | |||
== Maximal möglicher Anteil an Infizierten == | |||
Die Basisreproduktionszahl bestimmt wesentlich den maximal möglichen Anteil von Infizierten an einer gegebenen Population. Bezeichnen wir die Gesamtanteil aller Infizierten mit <math>J</math>, also <math>J(t) = E(t) + I(t)</math>, | |||
so folgt aus dem obigen Differentialgleichungssystem | |||
:<math> | |||
\frac{\mathrm{d}J}{\mathrm{d}S} | |||
= \frac{\mathrm{d}E + \mathrm{d}I}{\mathrm{d}S} | |||
= \frac{-\gamma I + \beta SI}{-\beta SI}= \frac{\gamma}{\beta S} - 1 | |||
</math>, | |||
oder mit der Basisreproduktionszahl <math>R_0 = \frac{\beta}{\gamma}</math> einfach | |||
:<math> | |||
\frac{\mathrm{d}J}{\mathrm{d}S} = \frac{1}{R_0 S} - 1.</math> | |||
Mit Umstellung dieser Gleichung nach <math>\mathrm{d}J = \frac{\mathrm{d}S}{R_0 S} - \mathrm{d}S</math> liefert eine Integration durch [[Trennung der Veränderlichen|Trennung der Variablen]] | |||
:<math>J(t) + S(t) - \frac{1}{R_0} \ln S(t) = \text{const}</math> | |||
für alle ''t'', wobei <math>\ln</math> der natürliche [[Logarithmusfunktion|Logarithmus]] ist. | |||
Insbesondere gilt damit | |||
:<math>J(t) + S(t) - \frac{1}{R_0} \ln S(t) = J(0) + S(0) - \frac{1}{R_0} \ln S(0)</math> | |||
oder äquivalent | |||
:<math>J(t) = J(0) + S(0) - \frac{1}{R_0} \ln S(0) + \underbrace{\frac{1}{R_0} \ln S(t) - S(t)}_{=: \ f(S(t))}.</math> | |||
Die Hilfsfunktion <math>f(x) = \ln \frac{x}{R_0} - x</math> hat wegen <math>f'(x) = \frac{1}{R_0 x} - 1</math> ein Maximum bei <math>x = \frac{1}{R_0}</math>. Der maximal mögliche Anteil <math>J_{\max}</math> der Infizierten wird also für <math>S(t) = \frac{1}{R_0}</math> erreicht, d. h. <math>J_{\max}</math> hängt nur von der Basisreproduktionszahl und den Anfangswerten von <math>J</math> und <math>S</math> ab: | |||
:<math> | |||
J_{\text{max}} | |||
= J(0) + S(0) - \frac{1}{R_0} \ln S(0) -\frac{1}{R_0} + \frac{1}{R_0} \ln \frac{1}{R_0} | |||
= J(0) + S(0) + \frac{1}{R_0} \left( \ln \frac{1}{R_0 S(0)} - 1 \right). | |||
</math> | |||
Für eine neu auftretende Erkrankung wie eine Epidemie durch ein unbekanntes [[Virus]] gilt <math>S(0) = 1</math> und <math>J(0) = 0</math>, d. h. der maximal mögliche Anteil der Infizierten an der Population hängt in diesem Fall wie folgt von der Basisreproduktionszahl ab: | |||
:<math> | |||
J_{\text{max}} | |||
= 1 + \frac{1}{R_0} \left( \ln \frac{1}{R_0} - 1 \right). | |||
</math> | |||
Diese Gleichung entspricht der unter [[SIR-Modell#Maximale Zahl der Infizierten]] angegebenen Gleichung für das [[SIR-Modell]]. | |||
== Anteil der Erholten am Ende der Epidemie == | == Anteil der Erholten am Ende der Epidemie == |
Version vom 12. April 2020, 10:37 Uhr
Als SEIR-Modell bezeichnet man in der mathematischen Epidemiologie einen Ansatz zur Beschreibung der Ausbreitung von ansteckenden Krankheiten. Die Beschreibung ist näher am realen Verlauf als die des SIR-Modells, da hier berücksichtigt wird, dass ein Individuum nach seiner Infektion nicht sofort selbst infektiös ist. Im Gegensatz zu einem Individuums-basierten Modell (IBM) ist die Beschreibung makroskopisch, d. h. die Population wird als Gesamtheit betrachtet.
Gleichungssystem
Die Population von N Individuen sei zerlegt in die vier Kompartimente S, E, I, R, so dass
bzw.
Jedes Individuum kann die Prozedur
- Susceptible (S) → Exposed (E) → Infectious (I) → Recovered (R)
durchlaufen. Die Ausbreitungsdynamik der Krankheit wird beschrieben durch
Es handelt sich hierbei um ein nichtlineares System von gewöhnlichen Differentialgleichungen.
Größe | Einheit | Erklärung |
---|---|---|
S(t) | 1 | Anteil der Anfälligen, engl. susceptible. Noch nicht infiziert. |
E(t) | 1 | Anteil der Exponierten, engl. exposed. Infiziert, aber noch nicht infektiös. |
I(t) | 1 | Anteil der Infektiösen, engl. infectious. |
R(t) | 1 | Anteil der Erholten, engl. recovered oder resistant. Bzw. verstorben oder nach Symptomen in Quarantäne. |
t | d | Zeit in Tagen, engl. time. |
β | 1/d | Transmissionsrate. Der Kehrwert ist die mittlere Zeit zwischen Kontakten. |
γ | 1/d | Gesundungsrate. Der Kehrwert ist die mittlere infektiöse Zeit. |
a | 1/d | Der Kehrwert ist die mittlere Latenzzeit. |
Die mittlere Latenzzeit ist die durchschnittliche Zeit, die ein Individuum in der Gruppe E der Exponierten verbringt; diese ist zu unterscheiden von der mittleren Inkubationszeit, denn der Beginn der Infektiosität muss nicht mit dem Beginn der Symptome übereinstimmen.
Für die Transmissionsrate (Übertragungsrate) ist auch die Bezeichnung Kontaktrate geläufig. Eine genauere Überlegung zerlegt diese in ein Produkt , wobei die Transmissionswahrscheinlichkeit und die eigentliche Kontaktrate ist.
Beziehung zur Basisreproduktionszahl
Es lässt sich eine Beziehung zur Basisreproduktionszahl herstellen. Damit sich die Krankheit nicht weiter ausbreitet, muss und sein. Einsetzung dieser Bedingungen in die Differentialgleichungen führt zu und , und somit . Man betrachte nun außerdem die Gleichung bzw. mit . Hierbei ist die Netto- und die Basisreproduktionszahl. Da die Bedingung mit gleichbedeutend ist, ergibt sich
Alternativ kann man sich überlegen, dass wenn ein Individuum im Mittel Kontakte pro Zeiteinheit hat, es über die mittlere infektiöse Zeit dann Kontakte bzw. neue Infektionen gegeben haben muss. D.h.
Maximal möglicher Anteil an Infizierten
Die Basisreproduktionszahl bestimmt wesentlich den maximal möglichen Anteil von Infizierten an einer gegebenen Population. Bezeichnen wir die Gesamtanteil aller Infizierten mit , also , so folgt aus dem obigen Differentialgleichungssystem
- ,
oder mit der Basisreproduktionszahl einfach
Mit Umstellung dieser Gleichung nach liefert eine Integration durch Trennung der Variablen
für alle t, wobei der natürliche Logarithmus ist. Insbesondere gilt damit
oder äquivalent
Die Hilfsfunktion hat wegen ein Maximum bei . Der maximal mögliche Anteil der Infizierten wird also für erreicht, d. h. hängt nur von der Basisreproduktionszahl und den Anfangswerten von und ab:
Für eine neu auftretende Erkrankung wie eine Epidemie durch ein unbekanntes Virus gilt und , d. h. der maximal mögliche Anteil der Infizierten an der Population hängt in diesem Fall wie folgt von der Basisreproduktionszahl ab:
Diese Gleichung entspricht der unter SIR-Modell#Maximale Zahl der Infizierten angegebenen Gleichung für das SIR-Modell.
Anteil der Erholten am Ende der Epidemie
Im Zusammenhang mit der Basisreproduktionszahl steht auch, welcher Anteil der Population insgesamt infiziert wird, unter Annahme, die Epidemie würde ohne jegliche Quarantäne durchlaufen. Unter Heranziehung der Differentialgleichungen findet man
Für den Anfangswert ist demnach
Bei ist nun , und daher . Daraus resultiert die Gleichung
Algebraische Umformung führt zur Gleichung
Mit und lautet die letzte Gleichung , die mit der lambertschen W-Funktion nach umgestellt werden kann, d. h. , was wieder zurückersetzt und nach umgestellt
ergibt.
Für die praktische Berechnung des hier relevanten Teils der W-Funktion betrachtet man das quadratische Taylorpolynom der Funktion an der Stelle −1 und bestimmt von diesem die Nullstelle, auf welche noch einmalig die Fixpunktiteration angewendet wird. Das Resultat ist
Eine gute Näherung der W-Funktion erhält man nun als
wobei die n-te Iteration des Newtonverfahrens
ist. Für alle praktischen Bedürfnisse ist völlig ausreichend.
Exponentielle Anfangsphase
Am Anfang der Epidemie verläuft die Ausbreitung der Krankheit in guter Näherung exponentiell. Mit dem Ansatz kommt die Beziehung hinzu. Hiermit gilt nun und . Infolge gilt
Leitet man diese Gleichung nun auf beiden Seiten ab, benutzt und dividiert anschließend durch , bekommt man
bzw.
Da am Anfang in sehr guter Näherung ist, kann gesetzt werden, womit eine Beziehung zwischen den Parametern und der Wachstumskonstante gewonnen ist.
Ein alternativer systematischer Ansatz betrachtet gleich , womit sich die Differentialgleichungen zu einem linearen System vereinfachen, das als
beschrieben werden kann.[3] Alle weiteren Betrachtungen sind damit überschattet durch die wohlbekannte Theorie der linearen Differentialgleichungen mit konstanten Koeffizienten und ihrer Eigenwerttheorie. Die Wachstumskonstante ist ein Eigenwert der Systemmatrix , die bereits gefundene Gleichung bekommt man aus
Wie bei jedem exponentiellen Wachstumsvorgang ist die Wachstumskonstante äquivalent zur anschaulicheren Vervielfachungszeit
speziell zur Verdopplungszeit .
Beispielrechnung
Es folgt eine Beispielrechnung zu einer Parameterbelegung wie sie für die COVID-19-Pandemie 2020 in Deutschland abgeschätzt wurde.[4] Die Ausbreitung verläuft bezüglich einer Basisreproduktionszahl von 2,4, was der Unterlassung wesentlicher Quarantäne entspricht. Zur numerischen Lösung des Anfangswertproblems genügt das Euler-Verfahren.
from numpy import array as vector
# Explizites Euler-Verfahren
def euler_method(f,t0,x0,t1,h):
t = t0; x = x0
a = [[t,x]]
for k in range(0,1+int((t1-t0)/h)):
t = t0 + k*h
x = x + h*f(t,x)
a.append([t,x])
return a
def SEIR_model(beta,gamma,a):
def f(t,x):
S,E,I,R = x
return vector([
-beta*S*I,
beta*S*I - a*E,
a*E - gamma*I,
gamma*I
])
return f
def SEIR_simulation(beta,gamma,a,E0,I0,days,step=0.1):
x0 = vector([1.0-E0-I0,E0,I0,0.0])
return euler_method(SEIR_model(beta,gamma,a),0,x0,days,step)
def diagram(simulation):
import matplotlib.pyplot as plot
plot.style.use('fivethirtyeight')
figure,axes = plot.subplots()
figure.subplots_adjust(bottom = 0.15)
axes.grid(linestyle = ':', linewidth = 2.0, color = "#808080")
t,x = zip(*simulation())
S,E,I,R = zip(*x)
axes.plot(t,S, color = "#0000cc")
axes.plot(t,E, color = "#ffb000", linestyle = '--')
axes.plot(t,I, color = "#a00060")
axes.plot(t,R, color = "#008000", linestyle = '--')
plot.show()
def simulation1():
N = 83200000 # Einwohnerzahl von Deutschland 2019/2020
R0 = 2.4; gamma = 1/3.0
return SEIR_simulation(
beta = R0*gamma, gamma = gamma, a = 1/5.5,
E0 = 40000.0/N, I0 = 10000.0/N, days = 140)
diagram(simulation1)
Die vier Anteile, jeweils abhängig von der Zeit in Tagen.
|
Ersichtlich ist an diesem Beispiel, dass die Epidemie aufgrund der Aufheizung durch die Infektiösen auch noch nach dem Erreichen der kritischen Immunisierungsschwelle
weiterläuft. Insgesamt würden sich 88 % der Bevölkerung mit der Krankheit anstecken. Die Epidemie ließe sich allerdings spätestens nach Erreichen der kritischen Immunisierungsschwelle durch eine ca. einmonatige strenge Quarantäne stoppen.
Einbeziehung demografischer Dynamik
Unter der Annahme einer konstanten Sterberate und einer damit übereinstimmenden Geburtenrate wurde das erweiterte Modell
formuliert. Gegenüber dem einfachen SEIR-Modell beschreibt dieses Modell auch einen langfristigen endemischen Verlauf, bei dem es zu einer Oszillation der Suszeptiblen kommen kann, bis sich ins durch
definierte Equilibrium eingependelt hat.
Für die Basisreproduktionszahl findet man hier bei Betrachtung des Equilibriums die Beziehung
Zeitabhängige Transmissionsrate
Vorgänge wie Verhaltensänderungen, Quarantäne und Saisonalität bewirken eine Veränderung der Transmissionsrate. Diese Umstände finden ihre Berücksichtigung in der Modellierung der Transmissionsrate als zeitabhängige Funktion , wobei das übrige Modell identisch beibehalten wird.[5] Die einfachsten Ansätze für die Saisonalität nehmen die Transmissionsrate z. B. als Sinusschwingung an, mit Berg in den kälteren und Tal in den wärmeren Monaten.[6]
Zu Bemerken ist, dass das Differentialgleichungssystem mit der expliziten Zeitabhängigkeit kein autonomes mehr ist und damit nicht mehr direkt ein dynamisches System vorliegt. Man kann aus dem System allerdings durch Hinzunahme der Gleichung künstlich ein autonomes gewinnen.
Siehe auch
- Mathematische Modellierung der Epidemiologie
- SI-Modell (Ansteckung ohne Gesundung)
- SIR-Modell (Ansteckung ohne Latenzzeit)
- SIS-Modell (Ausbreitung von ansteckenden Krankheiten ohne Immunitätsbildung)
Literatur
- Matt J. Keeling, Pejman Rohani: Modeling Infectious Diseases in Humans and Animals. Princeton University Press, 2008.
- Matthias an der Heiden, Udo Buchholz: Modellierung von Beispielszenarien der SARS-CoV-2-Epidemie 2020 in Deutschland. Robert Koch-Institut, Abteilung für Infektionsepidemiologie (20. März 2020). DOI:10.25646/6571.2.
Einzelnachweise
- ↑ Institute for Desease Modeling: SEIR Model (abgerufen am 12.04.2020)
- ↑ C. Hubbs (2020): Social Distancing to Slow the Coronavirus (abgerufen am 12.04.2020)
- ↑ Junling Ma: Estimating epidemic exponential growth rate and basic reproduction number. In: Infectious Disease Modelling, Volume 5, 2020, S. 129–141, KeAi Publishing (17. Dez. 2019).
- ↑ Stellungnahme der Deutschen Gesellschaft für Epidemiologie (DGEpi) zur Verbreitung des neuen Coronavirus (SARS-CoV-2). (PDF) Deutsche Gesellschaft für Epidemiologie, 18. März 2020, abgerufen am 26. März 2020. Die der Beispielrechnung zugrunde liegende Version vom 19. März ist nicht mehr auffindbar. Hier ersatzweise die Version vom Vortag. Die aktuelle Version siehe hier.
- ↑ Gerardo Chowell, Cécile Viboud, Lone Simonsen, Seyed M. Moghadas: Characterizing the reproduction number of epidemics with early subexponential growth dynamics. In: J. R. Soc. Interface 13: 20160659 (17. August 2016). DOI: 10.1098/rsif.2016.0659.
- ↑ M. Keeling, P. Rohani: Modeling Infectious Diseases in Humans and Animals. Abschnitt 5.2. (S. 159): Modeling forcing in childhood infectious diseases: Measles.