与当前大流行病有关的数学建模的教训和政策后果

COVID-19大流行凸显了当前全球在管理持续大流行方面的局限性。病毒是一种无形的敌人，其传播速度呈指数级增长，我们今天所观察到的(新诊断、住院和死亡)是几天或几周前发生的感染的影响。就像下棋一样，如果公共卫生机构能够预测病毒的动向，而不是简单地做出反应，就能提供有效的行动。

病毒通过人与人在空间和时间上的直接或间接接触在人群中传播。因此，为了控制病毒大流行，有必要了解人口的人口结构、社会行为(如起源-目的地矩阵)和病毒特征(传播性和致命性)。如果将所有这些信息适当地组合在一个适合通过可能的假设来表示当前大流行的流行病学及其演变的数学模型中，则所有这些信息都是有用的。

克马克和麦肯德里克(1927)的开创性文章将流行病演变建模为一个更新过程，引入了基本繁殖数(具有流行病爆发的阈值)和易感-感染-恢复模型(能够预测大流行的高峰和持续时间)。许多关于COVID-19大流行的流行病学研究都是基于这项工作，但由于以下几个原因，它们的预测能力失败了:
1)预测模型的基本假设不准确;例如，年龄对致死率和人与人之间的接触有很大影响。
2)参数估计不可靠:检测到的病例是感染发生率的有偏估计，因为它们强烈依赖国家系统的接触追踪和无症状感染者的数量。

COVID-19大流行告诉我们，我们需要加强努力，开发精确的数学模型，以帮助公共卫生机构在正确的时间采取正确的行动，控制正在发生的大流行。

本期特刊所考虑的研究问题:
分享世界各地应用模式的成功和失败，并提出新的模式，可以帮助卫生机构更好地为未来做好准备。本课题旨在收集流行病学家在开发COVID-19数学模型时获得的大流行经验。我们鼓励(但不限于)就以下问题提交论文:
a)系统文献综述:采用模型，突出优缺点;
(2)描述性模型:估计发病率和致死率、无症状病例等，重点评估所采取的公共卫生措施;
c)预测模型:用于规划未来公共卫生政策的波峰和持续时间。
d)政策决策对传播的影响分析
e)敏感性分析，考虑扩散根据各种因素增加或减少的情况
f)人口和密度对传播的影响分析

通过与我们分享你们的宝贵贡献，你们将帮助我们更好地应对未来的大流行。