基于多组行为-流行病学模型的COVID-19住院诱导行为改变对纽约市疫情传播的影响研究

本研究针对COVID-19大流行期间人类行为异质性对疾病传播的影响，开发了包含n个行为异质组的数学模型（SEIaIsIhR框架），特别聚焦两群组（风险规避型Group 1和风险耐受型Group 2）情景。通过拟合纽约市第一波疫情住院数据，验证模型能精准预测第二波疫情趋势，揭示疾病相关行为改变（住院率驱动）比同伴压力更能有效降低发病率和死亡率，为公共卫生干预提供量化依据。

　　

当COVID-19疫情在2020年初席卷全球时，一个引人深思的现象逐渐浮现：面对相同的公共卫生指令，不同人群的遵守程度存在显著差异。这种人类行为的异质性如何影响疫情传播轨迹？特别是在纽约市这个早期疫情"震中"，风险规避者和风险耐受者的行为差异究竟在多大程度上塑造了疫情曲线？这些问题不仅关乎传染病模型的准确性，更直接关系到防控策略的制定。

传统流行病学模型往往将人群视为同质整体，忽略了行为差异对疾病传播的关键影响。事实上，疫情期间存在两类典型行为改变：一类是疾病相关动机（如住院率上升引发的恐惧），另一类是社会动机（如同伴压力）。纽约市的数据显示，第一波疫情期间住院人数激增与后续行为改变存在明显关联，但定量评估这种关联的数学模型仍属空白。

为此，研究人员开发了创新的多组行为-流行病学模型，将总人口划分为n个行为异质组（基于风险承受度），每个组别又细分为易感(S)、潜伏(E)、无症状感染(I_a)、有症状感染(I_s)、住院(I_h)和康复(R)等 compartments。模型创新性地引入随时间变化的接触率调节参数，该参数与社区住院比例呈非线性关系，并通过影响动力学方程刻画行为组别间的相互转化。

关键技术方法包括：1）建立包含n个行为分组的SEI_aI_sI_hR微分方程系统；2）使用BFGS算法拟合纽约市2020年2-7月的住院数据；3）采用拉丁超立方抽样(LHS)进行全局敏感性分析；4）通过部分秩相关系数(PRCC)评估18个参数对疫情结局的影响。

【2. 行为模型构建】章节显示，模型通过修正因子θ_l量化封锁措施效果，定义接触率调节参数ε_i=exp[-a_i(I_h/N)]，其中a_i表征住院诱导行为改变的强度。理论分析证明模型在生物可行域Ω内适定。

【3.1 两群组模型稳定性】通过梅茨勒矩阵理论分析，发现当控制再生数R_c<1且相对影响比Γ>1时，Group 1占优的疾病自由平衡点稳定。数值模拟验证了模型在R_c<1时收敛到三类非平凡平衡点的规律。

【3.2 数据拟合】显示两群组模型对第一波疫情拟合优度R²=0.9691，参数估计表明Group 1的行为调节强度a₁=8000显著高于Group 2的a₂=2800。交叉验证证实该模型能准确预测第二波疫情（误差<10%），而忽略行为异质性的对照模型预测误差高达104%。

【3.4 敏感性分析】揭示关键参数的时间依赖性：第一波期间，无症状传播率β_a(PRCC=+0.849)和症状期持续时间1/σ_i主导疫情；第二波时，Phase 4封锁参数θ_l,4影响力上升11倍。值得注意的是，行为参数a₂对降低住院峰值的效应是第一波时期的2.3倍。

【3.5 数值模拟】证实住院诱导行为改变（a_i）比同伴影响参数(c_ij)更有效：将a₂提高15%可使住院峰值降低25%。模型还量化了初始风险规避者比例(k)的防护效果：k=0.2时，累计死亡率比k=0时降低38%。

这项研究通过创新的数学模型破解了行为异质性影响疫情传播的定量关系，首次证实住院率驱动的行为改变比社会压力更能有效抑制疫情。实践层面，研究建议：1）应优先公开住院数据而非单纯病例数以促进行为改变；2）封锁措施应分阶段调整，Phase 1期间25%的效果提升可避免64%的超额死亡。理论层面，建立的n组行为-流行病学框架为研究社会行为与疾病传播的交互作用提供了通用工具。该成果发表于《Infectious Disease Modelling》，为后疫情时代的精准防控提供了数学模型基础。