《Scientific Reports》:Optimising pandemic response through vaccination strategies using neural networks
编辑推荐:
本研究针对传统流行病风险评估方法难以兼顾健康结果与经济约束的挑战,开发了一种数据驱动的决策支持工具。该研究利用随机SVEI3RD仓室模型,结合物理信息神经网络(PINNs)校准参数,并通过深度神经网络架构求解最优控制问题,以优化疫苗接种策略,最小化大流行相关总成本。应用于澳大利亚维多利亚州COVID-19数据的案例表明,相比无疫苗接种策略,该最优策略可将累积住院天数减少85.3%,死亡人数减少84.4%,总成本降低22.3%,效果优于政府实际推行的策略约4-6个百分点,为决策者持续更新策略、最小化总成本和助力未来大流行防范提供了有力工具。
当一场新的传染病来袭,如何在保护公众健康与维持社会经济运转之间找到最佳平衡点,是摆在各国决策者面前的一道复杂考题。传统的流行病风险评估方法常常顾此失彼,难以在动态变化的疫情中精准施策。尤其是在资源(如疫苗、医疗资源)有限的情况下,如何科学地分配和部署干预措施,以最小的社会经济代价遏制疫情蔓延,成为公共卫生领域亟待解决的核心问题。为此,一项发表在《Scientific Reports》上的研究,试图用人工智能的力量,为这道难题提供一个更优的解法。
这项研究旨在开发一个数据驱动的决策支持框架,核心目标是通过优化疫苗接种策略,在控制疾病传播的同时,最小化大流行带来的总经济成本。为此,研究人员构建了一个融合经济学与流行病学的三步分析框架:建模、优化与分析。
为了开展这项研究,作者主要运用了以下几个关键技术方法:首先,建立了一个随机SVEI3RD(易感-接种-暴露-三类感染-康复-死亡)仓室模型,该模型包含八个状态变量,并通过按感染严重程度分层来支持详细的医疗成本估算。其次,将策略优化问题构建为一个最优控制问题,目标是最小化包括疫苗接种成本、隔离补贴、医疗支出和经济生产力损失在内的总支出。最后,为克服由此产生的高维随机控制问题的“维度灾难”,研究采用物理信息神经网络(PINNs)来校准模型参数,并设计了一个由每个时间步的前馈子网络组成的深度神经网络架构,来直接近似时变的疫苗接种率。模型使用来自澳大利亚维多利亚州的COVID-19数据进行演示验证。
研究结果
模型构建与校准
研究人员开发了一个随机SVEI3RD模型来模拟疫情动态。该模型将感染者细分为无症状、轻症/中症、重症三类,从而能够更精确地估计对医疗资源的需求和相应的成本。模型参数,如传播率、疾病进展率等,通过将模型对应的随机微分方程嵌入损失函数,利用物理信息神经网络(PINNs)进行校准,确保了模型与真实流行病学数据的一致性。
最优控制问题框架
研究定义了一个包含多类成本的最优控制问题。目标函数旨在最小化大流行的总经济影响,其成本项涵盖了直接的公共卫生支出(如疫苗接种、隔离补贴、医疗)和间接的社会经济成本(如因疾病和隔离导致的劳动力生产力损失)。控制变量是时变的疫苗接种率,优化目标就是找到这个变量的最优时间序列。
求解方法:深度神经网络
面对高维、随机的优化难题,传统数值方法计算不可行。本研究创新性地采用了一个深度神经网络架构来求解。该网络由一系列按时间步排列的前馈子网络组成,直接输出每个时间步的最优疫苗接种率。通过训练网络最小化包含系统动力学约束(即模型方程)和目标函数的损失函数,从而得到最优策略。
数值结果与分析
将框架应用于澳大利亚维多利亚州的COVID-19场景,得到了显著结果。与完全不接种疫苗的基准情景相比,通过优化得到的疫苗接种策略能够将累积住院天数大幅降低85.3%,死亡人数减少84.4%。更重要的是,从社会经济综合视角看,该最优策略能将大流行的总成本降低22.3%。进一步与当地政府实际实施的疫苗接种 rollout 计划相比,本研究的优化策略在减少住院、死亡和总成本方面,效果还要高出约4到6个百分点,证明了优化模型的潜在优势。分析还显示,最优策略倾向于在疫情早期快速提高疫苗接种率,以迅速建立免疫屏障,压制感染曲线,这与直观的流行病学控制原则一致。
研究结论与讨论
本研究成功构建并验证了一个融合随机流行病学建模、最优控制理论和深度神经网络的数据驱动框架,用于优化疫苗接种策略。核心结论表明,与无干预或实际政府策略相比,通过此框架计算出的最优疫苗接种计划,能更有效地减少重症医疗负担和死亡,并在整体上显著降低大流行带来的社会经济总成本。其重要意义在于,该框架为公共卫生决策者提供了一个强大的、可操作的决策支持工具。它能够基于实时疫情数据,动态、持续地更新和评估干预策略,从而实现成本效益的精细化管控。这不仅有助于更有效地应对当前的疫情,所展示的“建模-优化-分析”方法论也为未来应对新发传染病的大流行防范准备提供了重要的参考范式,展现了计算科学在解决复杂公共卫生问题中的巨大潜力。