An Agent-Based Modeling Framework for Simulating the Spread of SARS-CoV-2 on a Temporal Contact Network

Abstract

Den pågående koronapandemien har så langt krevd mer enn 430000 menneskeliv på verdensbasis. Krisen har ført til en massiv global innsats i søken etter kunnskap om virusets egenskaper og hvordan spredningen kan begrenses. I arbeidet mot en bedre forståelse av de epidemiologiske egenskapene som påvirker spredningen av viruset blant mennesker, utgjør datamodellering et nyttig verktøy. Denne masteroppgaven presenterer et nytt modelleringsrammeverk bygget for å undersøke hvordan SARS-CoV-2 spres på et temporalt kontaktnettverk på et virtuelt sykehus. Modellen er agentbasert og simulerer både genereringen av de mellommenneskelige kontaktene og virusspredningen basert på tildelte egenskaper hos agentene og et sett med regler som styrer interaksjonene mellom dem. Det temporale kontaktnettverket som viruset spres på er basert på utledede regler fra de observerte kontaktmønstrene i et empirisk kontaktnettverk. Nettverket utvikles samtidig med simuleringen og tar hensyn til personalskift, pasientopphold og eventuelle karantenerestriksjoner eller isolasjon. Reglene som styrer den epidemiologiske delen av modellen er utledet fra tilgjengelig litteratur. De fleste av disse parameterverdiene er regulerbare, noe som gir brukeren mulighet til å utforske et bredt spekter av epidemiologiske parametere og å evaluere effekten av mange viktige smitteverntiltak. Selvkonsistenstester ble utført for å validere modellens funksjonalitet, og ga modellresultater som var konsistente med forventningene. Modellens stabilitet ble evaluert ved å undersøke variabiliteten i modellresultatene av flere simuleringer med identiske parameterverdier. Mens infeksjonen ebbet ut i noen av simuleringene, resulterte en stor andel av kjøringene i betydelige utbrudd. Statiske og temporale analyser av det genererte kontaktnettverket viste at det simulerte nettverket approksimerte de empiriske nettverksegenskapene bedre enn et randomisert referansenettverk. Det utviklede modelleringsrammeverket er detaljert og gir brukeren muligheten til å undersøke hvordan en rekke epidemiologiske parametere påvirker spredningen av SARS-CoV-2. Arbeidet legger et solid grunnlag for fremtidige epidemiologiske analyser og vurdering av smitteverntiltak.

The ongoing coronavirus pandemic has so far claimed more than 430000 human lives worldwide. The crisis has led to a massive global effort in the search for knowledge about the characteristics of the virus and how the spread can be limited. In order to obtain a better understanding of the epidemiological mechanisms affecting the viral transmission among human beings, computational modeling provides a useful tool. This master's thesis presents a novel modeling framework built for the purpose of investigating how SARS-CoV-2 spreads on a temporal contact network in a virtual hospital. The model is agent-based and simulates both the generation of the inter-individual contacts and the virus transmission based on assigned agent attributes and a set of rules governing their interactions. The temporal contact network on which the virus spreads is based on rules derived from the observed contact patterns in an empirical close-proximity interaction network. The network evolves simultaneously as the simulation and takes staff shifts, patient hospitalization and any quarantine restrictions or isolation into account. The rules governing the epidemiological part of the model are derived from the available literature. Most of these parameter values are tunable, giving the user the possibility to explore a wide range of epidemiological parameters and to evaluate the effect of several key control measures. Self-consistency tests were conducted to validate the model functionality, yielding model output consistent with the expectations. The model stability was assessed by investigating the variability in output of several simulations run with identical input parameters. Although the infection only spread to a few agents in some of the simulations, a large proportion of the runs resulted in considerable outbreaks. Static and temporal analysis of the generated contact network showed that the simulated network outperformed the randomized reference network in terms of approximating the empirical network properties. The developed modeling framework is detailed and allows the user to investigate how a range of key epidemiological parameters affect the spread of SARS-CoV-2. The work lays a solid foundation for future epidemiological analyses and evaluation of infection control measures.