Дослідження впливу топології мережі прямих контактів у соціумі на швидкість поширення інфекційного захворювання на прикладі COVID-19

Simple item page
dc.citation.epage166
dc.citation.issue9
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage151
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationLIACS Leiden University
dc.contributor.authorКуриляк, Юліан
dc.contributor.authorЕммеріх, Міхаель
dc.contributor.authorДосин, Дмитро
dc.contributor.authorKuryliak, Yulian
dc.contributor.authorEmmerich, Michael
dc.contributor.authorDosyn, Dmytro
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-06-07T07:02:51Z
dc.date.available2023-06-07T07:02:51Z
dc.date.created2021-03-01
dc.date.issued2021-03-01
dc.description.abstractУправління епідеміями останнім часом викликає великий інтерес через руйнівні епідемічні спалахи таких хвороб, як Ебола та COVID-19. У статті досліджено вплив структури контактної мережі на динаміку спалаху епідемії. Зокрема, звернено увагу на пікову кількість критично інфікованих вузлів, оскільки вона визначає навантаження у відділеннях інтенсивного медичного обслуговування і повинна бути на низькому рівні під час управління епідемією. Виконано моделювання поширення вірусу в складних мережах різних топологій, згенерованих відповідно до моделей Ердеша–Реньї, Воттса–Строгаца, Барабаші–Альберт та у повному графі. Для моделювання процесу інфікування використано ланцюги Маркова з неперервним часом. Моделювання здійснено у мережах з 200 вузлів та із різною кількістю ребер. Проаналізовано відмінності впливу детермінованих за віковим діапазоном і статтю та усереднених характеристик вузлів на кількість критично інфікованих вузлів, що можна використати для прогнозування навантаження на лікарні. Для аналізу використано дані демографічного розподілу України на 2020 р. та дані про смертність від COVID-19 в Україні на 16 грудня 2020 р. Доведено, що детерміновані характеристики показують нижчі дещо нижчі значення критично інфікованих, що пов’язано зі складністю збереження демографічного розподілу в малих мережах. За результатами моделювання доведено, що за однакового середнього степеня вузла найбільша кількість інфікованих спостерігається у моделі Барабаші–Альберт, трохи менша у моделі Ердеша-Реньї та найменша у моделі Ваттса–Строгаца. Встановлено, що основною відмінністю цих мереж є середня найкоротша відстань. Доведено, що на швидкість поширення захворювання найбільше впливає середня найкоротша відстань між вузлами мережі, натомість вплив коефіцієнта кластеризації незначний. Встановлено, що за великої кількості ребер у мережі відмінність у поширенні вірусу в моделях мереж Ердеша–Реньї та Барабаші-Альберт мінімізується, оскільки зменшується середня найкоротша відстань між вузлами.
dc.description.abstractThe management of epidemics received much interest in recent times, due to devastating outbreaks of epidemic diseases such as Ebola and COVID-19. This paper investigates the effect of the structure of the contact network on the dynamics of the epidemic outbreak. In particular we focus on the peak number of critically infected nodes, because this determines the workload of intensive health-care units and should be kept low when managing an epidemic. Simulation of virus propagation in complex networks of different topologies, generated according to the models of Erdős–Rényi, Watts-Strogatz, Barabási–Albert and in complete graph. Continuous-time Markov chains were used to simulate the infection process. The simulation was performed in networks with 200 nodes and different number of edges. The difference between the influence of age- and gender-determined and weighted characteristics of nodes on the number of critically infected nodes that can be used to predict the load on the hospital is analyzed. The analysis used the data of the demographic distribution of Ukraine as of 2020 and data on mortality from COVID-19 in Ukraine, as of December 16, 2020. It is proved that the deterministic characteristics a slightly lower values of critically infected, in small networks. According to the simulation results, it was proven that for one medium degree of connection, the largest peak number of infections is observed in the Barabási–Albert models, slightly less in the Erdős– Rényi models and the smallest in the Watts-Strogatz model. It is established that the main difference between these networks is the average shortest distance. It is proved that the main influence on the propagation rate has the average shortest distance between network nodes, location, clustering coefficient has less influence. It was found that with a large number of edges in the networks, the difference in the prevalence of viruses in the models of the Erdős–Rényi and Barabási–Albert networks is minimized, despite the reduction of the average shortest distance between nodes.
dc.format.extent151-166
dc.format.pages16
dc.identifier.citationКуриляк Ю. Дослідження впливу топології мережі прямих контактів у соціумі на швидкість поширення інфекційного захворювання на прикладі COVID-19 / Юліан Куриляк, Міхаель Еммеріх, Дмитро Досин // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2021. — № 9. — С. 151–166.
dc.identifier.citationenKuryliak Y. Study on the influence of direct contact network topology on the speed of spread of infectious diseases in the COVID-19 case / Yulian Kuryliak, Michael Emmerich, Dmytro Dosyn // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2021. — No 9. — P. 151–166.
dc.identifier.doidoi.org/10.23939/sisn2021.09.151
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/59148
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 9, 2021
dc.relation.references1. European Centre for Disease Prevention and Control (2020). Guidelines for the implementation of nonpharmaceutical interventions against COVID-19. Stockholm: ECDC.
dc.relation.references2. McCabe, R., Kont, M. D., Schmit, N., Whittaker, C., Løchen, A., Baguelin, M., . . ., Watson, O. J. (2021). Modelling intensive care unit capacity under different epidemiological scenarios of the COVID-19. DOI: 10.1093/ije/dyab034.
dc.relation.references3. Marwa, Y. M., Mbalawata, I. S., & S, M. (2019). Continuous Time Markov Chain Model for Cholera Epidemic Transmission Dynamics. International Journal of Statistics and Probability, 1–32.4. DOI: 10.5539/ijsp.v8n3p32.
dc.relation.references4.Romeu, J. L. (2020). A Markov Chain Model for Covid-19 Survival Analysis. DOI: 10.13140/RG.2.2.36349.18408.
dc.relation.references5. Xie, G. (2020). A novel Monte Carlo simulation procedure for modelling COVID-19 spread over time. Scientific reports, 1–9. DOI: 10.1038/s41598-020-70091-1.
dc.relation.references6. Rowe, J., Mitavskiy, B., & Cannings, C. (2008). Propagation time in stochastic communication networks. In 2008 2nd IEEE International Conference on Digital Ecosystems and Technologies, 426–431. IEEE. DOI: 10.1109/DEST.2008.4635162.
dc.relation.references7. Hethcote, H. W. (1989). Three basic epidemiological models. In Applied mathematical ecology. Berlin: Springer. DOI: 10.1007/978-3-642-61317-3_5.
dc.relation.references8. Newman, M. E. (2003). The structure and function of complex networks. SIAM review. DOI:10.1137/S003614450342480.
dc.relation.references9. Watts, D. J. (2004). Six degrees: The science of a connected age. New York; London: WW Norton & Company, 374. ISBN 0393041425.
dc.relation.references10. Головач, Ю., фон Фербер, К., Олємськой, О., Головач, Т., Мриглод, О., Олємской, I., & Пальчиков, В. (2006). Складнi мережi. Журнал фiзичних дослiджень, 247–291. DOI: 10.30970/jps.10.247.
dc.relation.references11. Barabási, A. L. (2013). Network science. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. ISBN-10: 1107076269.
dc.relation.references12. Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of ‘small-world’ networks. Nature, 440–442. DOI: 10.1038/30918.
dc.relation.references13. Erdős, P., & Rényi, A. (1959). On random graphs, I. Publicationes Mathematicae, 290–297.
dc.relation.references14. Gilbert, E. N. (1959). Random graphs. The Annals of Mathematical Statistics, 1141–1144. DOI: 10.1214/aoms/1177706098.
dc.relation.references15. Barabási, A. L., & Albert. (1999). Emergence of scaling in random networks. Science, 509–512. DOI: 10.1126/science.286.5439.509.
dc.relation.references16. Norris, J. (1997). Continuous-time Markov chains I. In Markov Chains (Cambridge Series in Statistical and Probabilistic Mathematics, pp. 60-107). Cambridge: Cambridge University Press. DOI:10.1017/CBO9780511810633.004.
dc.relation.references17. Lipowski, A., & Lipowska, D. (2011). Roulette-wheel selection via stochastic acceptance. Physica A: Statistical Mechanics and its Applications, 2193–2196. DOI: 10.1016/j.physa.2011.12.004.
dc.relation.references18. Emmerich, M., Nibbeling, J., Kefalas, M., & Plaat, A. (2020). Multiple Node Immunisation for Preventing Epidemics on Networks by Exact Multiobjective Optimisation of Cost and Shield-Value. arXiv preprint arXiv:2010.06488.
dc.relation.referencesen1. European Centre for Disease Prevention and Control (2020). Guidelines for the implementation of nonpharmaceutical interventions against COVID-19. Stockholm: ECDC.
dc.relation.referencesen2. McCabe, R., Kont, M. D., Schmit, N., Whittaker, C., Løchen, A., Baguelin, M., . . ., Watson, O. J. (2021). Modelling intensive care unit capacity under different epidemiological scenarios of the COVID-19. DOI: 10.1093/ije/dyab034 .
dc.relation.referencesen3. Marwa, Y. M., Mbalawata, I. S., & S, M. (2019). Continuous Time Markov Chain Model for Cholera Epidemic Transmission Dynamics. International Journal of Statistics and Probability, 1–32. 4. DOI: 10.5539/ijsp.v8n3p32.
dc.relation.referencesen4. Romeu, J. L. (2020). A Markov Chain Model for Covid-19 Survival Analysis. DOI: 10.13140/RG.2.2.36349.18408.
dc.relation.referencesen5. Xie, G. (2020). A novel Monte Carlo simulation procedure for modelling COVID-19 spread over time. Scientific reports, 1–9. DOI: 10.1038/s41598-020-70091-1.
dc.relation.referencesen6. Rowe, J., Mitavskiy, B., & Cannings, C. (2008). Propagation time in stochastic communication networks. In 2008 2nd IEEE International Conference on Digital Ecosystems and Technologies, 426–431. IEEE. DOI: 10.1109/DEST.2008.4635162.
dc.relation.referencesen7. Hethcote, H. W. (1989). Three basic epidemiological models. In Applied mathematical ecology. Berlin: Springer. DOI: 10.1007/978-3-642-61317-3_5.
dc.relation.referencesen8. Newman, M. E. (2003). The structure and function of complex networks. SIAM review. DOI:10.1137/S003614450342480.
dc.relation.referencesen9. Watts, D. J. (2004). Six degrees: The science of a connected age. New York; London: WW Norton & Company, 374. ISBN 0393041425.
dc.relation.referencesen10. Holovatch. Yu., Olemskoi, O., von Ferber, C., Holovatch, T., Mryglod, O., Olemskoi, I. & Palchykov, V. (2006). Complex networks. Journal of Physical Research, 247–291. DOI: 10.30970/jps.10.247.
dc.relation.referencesen11. Barabási, A. L. (2013). Network science. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. ISBN-10: 1107076269.
dc.relation.referencesen12. Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of ‘small-world’ networks. nature, 440–442. DOI: 10.1038/30918.
dc.relation.referencesen13. Erdős, P., & Rényi, A. (1959). On random graphs, I. Publicationes Mathematicae, 290–297.
dc.relation.referencesen14. Gilbert, E. N. (1959). Random graphs. The Annals of Mathematical Statistics, 1141–1144. DOI:10.1214/aoms/1177706098.
dc.relation.referencesen15. Barabási, A. L., & Albert. (1999). Emergence of scaling in random networks. Science, 509–512. DOI: 10.1126/science.286.5439.509.
dc.relation.referencesen16. Norris, J. (1997). Continuous-time Markov chains I. In Markov Chains (Cambridge Series in Statistical and Probabilistic Mathematics, 60–107). Cambridge: Cambridge University Press. DOI:10.1017/CBO9780511810633.004.
dc.relation.referencesen17. Lipowski, A., & Lipowska, D. (2011). Roulette-wheel selection via stochastic acceptance. Physica A: Statistical Mechanics and its Applications, 2193–2196. DOI: 10.1016/j.physa.2011.12.004.
dc.relation.referencesen18. Emmerich, M., Nibbeling, J., Kefalas, M., & Plaat, A. (2020). Multiple Node Immunisation for Preventing Epidemics on Networks by Exact Multiobjective Optimisation of Cost and Shield-Value. arXiv preprint arXiv:2010.06488
dc.rights.holder© Національний університет “Львівська політехніка”, 2021
dc.rights.holder© Куриляк Ю., Еммеріх М., Досин Д., 2021
dc.subjectепідемічний спалах
dc.subjectскладні мережі
dc.subjectтопологія мереж
dc.subjectконтактний процес
dc.subjectнеперервні ланцюги Маркова
dc.subjectepidemic outbreak
dc.subjectcomplex networks
dc.subjectnetwork topology
dc.subjectcontact process
dc.subjectcontinuous time Markov chain
dc.subject.udc004.052
dc.subject.udc004.416.2
dc.titleДослідження впливу топології мережі прямих контактів у соціумі на швидкість поширення інфекційного захворювання на прикладі COVID-19
dc.title.alternativeStudy on the influence of direct contact network topology on the speed of spread of infectious diseases in the COVID-19 case
dc.typeArticle

Files

Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
2021n9_Kuryliak_Y-Study_on_the_influence_151-166.pdf
Size:
2.93 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2021n9_Kuryliak_Y-Study_on_the_influence_151-166__COVER.png
Size:
396.49 KB
Format:
Portable Network Graphics
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.85 KB
Format:
Plain Text
Description:
Download

Collections

Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2021. – Випуск 9