《Discover Public Health》：Mathematical modeling and numerical analysis of COVID-19 transmission using a Hermite collocation SEIARW framework
编辑推荐：
摘要
COVID-19大流行持续推动针对涉及无症状传播和环境传播的流行病系统开发可靠的数值工具。在本研究中，研究人员构建了一个归一化的非线性SEIARW模型，并采用Hermite配点法（Hermite Collocation Method, HCM）对其进行求
摘要
COVID-19大流行持续推动针对涉及无症状传播和环境传播的流行病系统开发可靠的数值工具。在本研究中，研究人员构建了一个归一化的非线性SEIARW模型，并采用Hermite配点法（Hermite Collocation Method, HCM）对其进行求解。与早期基于简化仓室结构的配点法COVID-19研究不同，本研究考虑了一个更丰富的框架，包含易感者（susceptible）、暴露者（exposed）、有症状感染者（symptomatic infectious）、无症状感染者（asymptomatic infectious）、移除者（removed）和环境储库（environmental reservoir）类别。归一化过程被明确呈现，并通过解的存在性、正性和有界性确立了模型的生物学可行性。数值结果表明，HCM能够产生稳定的近似解，并在所有仓室的连续迭代中快速收敛。总体而言，本研究表明HCM是一种用于处理具有隐性传播和储库驱动传播的非线性多仓室流行病模型的高效计算方法。
论文解读
一、研究背景与问题
COVID-19疫情自武汉暴发以来迅速演变为全球重大公共卫生挑战，对医疗系统、经济和社会生活造成了严重影响。疫情传播的复杂性和快速扩散特性凸显了开发可靠科学工具以解释流行病行为和支持有效干预策略的必要性。数学建模一直是研究疾病传播、估算关键流行病学量以及评估公共卫生控制措施潜在效果的最有价值的方法之一。
在流行病建模中，基本再生数（basic reproduction number, R?）是一个核心概念，用于量化在完全易感人群中一个典型感染者产生的平均继发感染数。然而，由于模型结构、参数选择和可用数据的差异，不同研究对COVID-19的R?估计值存在较大差异。随着流行病模型日益贴近现实，其数学和数值处理也变得更加复杂，尤其是对于包含无症状个体隐性传播和环境污染间接感染途径的非线性多仓室系统。在此类情况下，经典数值方法可能面临刚性（stiffness）、非线性耦合或计算效率等方面的困难。
已有研究采用了多种配点类及相关近似技术处理流行病和生物系统，包括Genocchi小波配点法、Hermite小波方法以及Pell-Lucas配点技术等。Hermite基数值方法因其能够高效近似解及其导数、对非线性系统计算成本相对较低而受到关注。然而，此前基于配点法的COVID-19研究多采用简化的仓室结构，未能在统一框架中同时纳入暴露者、无症状感染者、有症状感染者、移除者和环境储库等多重传播动力学特征。
二、研究内容与意义
本研究构建了一个归一化的非线性SEIARW模型，包含易感者（S）、暴露者（E）、有症状感染者（I）、无症状感染者（A）、移除者（R）和环境储库（W）六个仓室。该框架能够明确考虑无症状传播和环境病毒持续导致的间接传播，这两个特征在流行病学上具有重要意义，但在简化的仓室模型中往往被过度简化。研究的主要目的是将Hermite配点法（HCM）应用于归一化的非线性SEIARW系统，以获得刚性非线性流行病模型的稳定高效数值近似。
本研究的创新之处在于将Hermite配点法应用于同时包含暴露者、无症状感染者、有症状感染者、移除者和环境储库动力学的归一化非线性SEIARW COVID-19模型，从而将早期基于配点法的COVID-19研究扩展到更丰富的流行病结构之外。此外，研究还通过存在性、正性、有界性分析和阈值分析等基本定性性质分析，将数值结果与有意义的流行病学解释联系起来。
三、关键技术方法
研究人员采用了Hermite配点法（HCM）作为核心数值求解方法。Hermite多项式是一类重要的正交多项式，通过Rodrigues公式定义，满足特定的递推关系和正交性。在方法实施中，每个状态变量被截断的Hermite级数近似，将微分方程系统转化为非线性代数方程组。通过在计算区间内选取配点并进行迭代求解，获得各仓室的近似解。研究还采用了归一化处理将系统变量标准化，通过引入复合参数简化模型表达。此外，研究利用下一代矩阵（next-generation matrix）方法推导了基本再生数R?，并进行了敏感性分析以评估关键流行病学参数对COVID-19传播的相对影响。
四、研究结果
模型构建与归一化：研究人员建立了包含六个人类仓室和一个环境仓室的COVID-19传播模型，假设感染通过直接人际接触和环境暴露两种途径发生。通过引入参考总人口规模Nσ进行归一化处理，将维度系统转化为归一化系统，并定义了λσ、fσ、fW等复合参数以简化模型表达。
解的存在性、正性与有界性：通过验证向量场的Jacobian矩阵各元素在非负象限内连续，证明了F∈C1(R??)，满足局部Lipschitz条件，从而由常微分方程基本存在唯一性定理确立了系统存在唯一局部解，并因解的有界性可延拓为全局解。通过在非负象限各边界超平面上检查向量场方向，证明了非负象限是正不变集，所有状态变量对τ≥0保持非负。通过构造总人口Nσ满足线性微分方程并求解，结合环境病毒载量的比较原理，证明了所有解在[0,∞)上一致有界，且给出了正不变区域Ω。
疾病-free平衡点与基本再生数：通过令系统各方程为零，得到疾病-free平衡点ε?=(Λ/μ,0,0,0,0,0)。采用下一代矩阵方法，以(E,I,A,W)?为感染状态向量，分别构造新感染项矩阵F和转移项矩阵V，计算得到基本再生数R?的表达式，其由直接人际传播分量Rh和环境传播分量Rw组成。敏感性分析表明R?随f、fω、η和M增大而增大，随κ、ξ和χ增大而减小。
数值模拟结果：研究人员采用HCM对归一化SEIARW模型进行数值求解，使用Hermite基函数近似各仓室状态变量及其导数，代入模型方程并在区间[0,1]上进行配点，求解非线性代数方程组获得Hermite系数。所得近似解显示：易感人群在疫情早期迅速下降，暴露者、有症状感染者、无症状感染者和环境储库仓室先增加后逐渐减少，移除人群稳步上升。这一总体模式在流行病学上符合实际，代表了疫情的初始增长、传播高峰期和最终消退过程。连续迭代结果表明HCM对所有仓室均产生稳定近似并快速收敛。
五、讨论与结论
数值结果表明，非线性SEIARW COVID-19模型能够同时捕捉疫情进展和Hermite配点法的数值一致性。各仓室解呈现预期的流行病模式，验证了模型在流行病学上的合理性。HCM在连续迭代中展现出的快速收敛性和稳定性，表明其是处理具有隐性传播和环境储库驱动传播的非线性多仓室流行病模型的高效计算方法。该研究将Hermite配点法扩展至更丰富的SEIARW框架，为包含无症状传播和环境传播途径的复杂流行病系统提供了可靠的数值求解工具，对疫情建模与干预策略评估具有重要的方法论意义。
