Modelling the Spread of SARS-CoV-2 in a Hospital Setting

Abstract

Siden det første utbruddet av SARS-CoV-2 i Kina i slutten 2019 har viruset spredt seg til alle deler av verden. Så langt har omkring 540 millioner tilfeller blitt rapportert og over 6 millioner liv har gått tapt som følge av pandemien. Datamodellering er et nyttig verktøy for å forstå spredningsmekanismene til viruset. Slik kunnskap er viktig for å kunne slå ned smitten og begrense konsekvensene av pandemien.

Denne masteroppgaven presenterer et rammeverk for å modellere spredning av SARS- CoV-2 på sykehus. Modellen er agentbasert og smittespredningen simuleres enten på et empirisk kontaktnettverk eller et konstruert kontaktnettverk. Simulerte nettverk er generert basert på observerte kontaktmønstre i et empirisk nettverk hentet fra en geriatrisk sykehusavdeling. Den epidemiologiske modellen er en utvidelse av COVID-19 modellen utviklet ved NTNU våren 2020. Strukturen og logikken i NTNU modellen har blitt tilpasset for å kunne simulere smittespredning over mellommenneskelige kontaktnettverk på et sykehus. Motivasjonen for prosjektet var å generere en sykehusmodul som kan inkorporeres i en større samfunnsmodell for å øke detaljnivået i smittesimuleringene.

Resultatene viser at de viktigste egenskapene til det empiriske nettverket når det gjelder smittespredning har blitt reprodusert, til tross for at antallet kontkater per node er mer homogent i de simulerte nettverkene. Smitte har blitt modellert med ulike parameterverdier for å evaluere effekten av nettverkstopologi og virusegenskaper på spredning. De epidemiologiske analysene viser at reproduksjonstallet og effekten av å implementere tiltak varier for ulike parameterverdier.

Modellen kan brukes til å utføre en rekke epidemiologiske analyser, ettersom de fleste parmeterne kan justeres. Dette prosjektet legger derfor et grunnlag for videre undersøkelse av spredningsmekanismene til ulike patogener og evaluering av tiltak som kan implementeres for å slå ned smitten.

Since the emergence of SARS-CoV-2 in the latter part of 2019 in China, the virus has spread worldwide. The pandemic has so far claimed more than 6 million lives, and approximately 540 million cases are reported globally. Computational models offer useful tools for obtaining an understanding of the epidemiological mechanisms affecting the viral transmission. Such knowledge is essential for mitigating the spread of the virus and limiting its profound consequences.

This master’s thesis presents a modelling framework for simulating the spread of SARS-CoV-2 in a hospital setting. The model is agent-based and the behaviour of the agents are governed by either an empirical contact network or a simulated contact network. Simulated networks are generated based on the properties of an empirical close-proximity interaction network obtained from a geriatric hospital ward. The epidemiological model is an extension of the COVID-19 model developed at NTNU during the spring of 2020. The structure and logic of the model is adapted to simulate the spread of SARS-CoV-2 on an inter-individual contact network in a hospital setting. A motivation for the project was to generate a hospital module that can be incorporated into the larger societal modelling framework to increase the granularity.

The results show that the simulated networks capture the most important network properties affecting virus spread, despite the lack of heterogeneity in the node degrees com-pared to the empirical network. Simulations were run with several different parameter values to evaluate the effect of pathogen characteristics and network structure on spreading dynamics. The epidemiological analysis demonstrates that the computed reproduction number and the responses to intervention measures are highly dependent on the selected input.

Since most of the parameters in the model are tunable, a wide range of epidemiological analysis is possible. This project therefore lays a foundation for further analysis of spreading dynamics and evaluation of non-harmaceutical interventions in a hospital setting.