基于概率确定性模型的隔离与检疫对流行病动力学控制研究

《Infectious Disease Modelling》：Dynamics of an epidemic controlled by isolation and quarantine: A probability-based deterministic model

本研究针对流行病控制中的隔离与检疫策略，通过构建概率基础的确定性模型（SIRAB），量化了干预措施强度与速度对疫情传播的影响。研究人员开发了封闭式方程，解析了最终感染规模（p∞）、峰值感染率（iTMAX）和流行持续时间（TE）等关键指标，并首次推导出隔离控制下小规模疫情的解析解。该模型创新性地引入二阶伽马分布描述干预延迟，为非时变隔离方程和易感者检疫提供了理论支持，为公共卫生决策提供了量化工具。

　　

在COVID-19大流行期间，全球公共卫生系统面临严峻挑战。传统流行病模型如SIR（易感-感染-恢复）虽广泛应用，但难以精确量化隔离（Isolation）和检疫（Quarantine）等非药物干预措施（NPIs）的动态效果。尤其当需要考虑干预措施的强度（如隔离覆盖率q_B0）与速度（如隔离速率γ_B）时，现有模型常简化假设为指数分布，无法反映现实中的干预延迟。此外，检疫措施对未暴露易感人群的影响、以及隔离与检疫协同作用机制，仍是理论研究的空白领域。

为突破这些局限，研究人员开发了新型SIRAB模型。该模型基于概率论第一性原理，创新性地采用二阶伽马分布描述干预延迟，构建了包含14个常微分方程（ODEs）的体系。通过解析推导和数值模拟，研究首次获得了隔离单独作用时小规模疫情的封闭解，并建立了隔离-检疫联合控制的量化关系。模型关键突破在于：1）同时整合干预强度与速度参数；2）采用非时变方程处理检疫过程；3）量化易感人群检疫对传播链的阻断作用。

研究采用的主要技术方法包括：1）基于质量作用定律构建传播动力学方程；2）应用二阶伽马分布建模隔离/检疫延迟（γ_B和γ_A）；3）通过数值积分求解高维ODE系统；4）采用无量纲化处理时间参数（以平均恢复时间2/γ_R为单位）。

4. 隔离控制的流行病动力学
研究揭示隔离再生育数R_B是疫情控制的关键阈值。当R_B≤1时，最终感染规模p_∞呈现显著的非线性关系：在R_B=1临界点附近，p_∞对干预参数变化极为敏感。例如，当R_B从1降至0.8时，p_∞可减少50%以上，凸显早期强化隔离的边际效益。

4.1.2 峰值感染率特征
研究发现峰值感染率i_TMAX与初始感染规模p₀呈正比，但与R_B呈弱相关性。当R₀=3时，即使将R_B从0.9降至0.5，i_TMAX仅降低约30%，说明隔离措施对医疗资源压力的缓解需要结合其他干预手段。

5. 检疫控制的独特性
模型修正了既往研究中检疫动力学的计算误差，首次量化了易感者检疫对传播链的阻断效应。当检疫强度q_A0>0.5时，可产生显著的"群体保护"效果，这种非线性效应在传统模型中常被忽略。

6. 隔离-检疫协同效应
通过14维ODE系统模拟显示，双干预策略存在最优配比。当隔离速度γ_B超过恢复速率γ_R的2倍时，联合策略可使T_E缩短40%以上，这为"精准防控"提供了理论依据。

该研究的理论突破体现在三方面：首先，建立的R_B阈值准则为评估隔离有效性提供了新标准；其次，揭示的干预参数非线性响应关系解释了实践中"半量隔离易失效"现象；最后，模型框架可扩展至更高阶伽马分布，适应不同疾病的恢复时间分布特征。在COVID-19等呼吸道传染病防控中，该成果为权衡"封控强度"与"经济成本"提供了量化工具，特别是为资源有限地区的分级防控策略优化提供了科学依据。未来研究可结合个体移动数据，进一步验证模型在空间异质性人群中的预测效能。