麻省理工學院的研究人員在4月初發表的一篇預印本學術論文中描述了一個模型，該模型量化了檢疫措施對新型冠狀病毒COVID-19傳播的影響。與迄今為止提出的大多數模型不同，這一模型不依賴於以往關於SARS或MERS等疾病暴發的研究數據。相反，它使用了一種人工智慧算法，通過SEIR模型訓練來捕獲被隔離的受感染個體的數量，該模型將人們分成「易感者」、「暴露者」、「受感染者」和「恢復者」等類別。
這種方法可能比以前的工作更準確或更具可比性，這有助於更好地向政府、衛生系統和非營利組織提供有關社會距離的治療和政策決策信息。例如，該模型發現，在政府立即幹預的韓國等地，該病毒的傳播速度更快達到了平穩狀態。
「我們的模型表明，隔離限制可以成功地將有效繁殖數從大於1減少到小於1，該模型正在學習我們所謂的『隔離控制強度函數』。」麻省理工學院機械工程學教授喬治·巴巴斯塔希斯說，他在與土木和環境工程學博士的合作過程中開發了該模型，「這對應於我們可以使曲線變平坦並開始減少感染的點。」
麻省理工學院的模型在每個地區（分別於1月24日、2月27日和2月22日分別對武漢、義大利和韓國進行記錄）記錄了第500個案例之後，根據從武漢，義大利，韓國和美國收集的數據對MIT模型進行了訓練，直到4月1日為止。經過500次迭代，它學會了預測病毒傳播的模式，在隔離措施與病毒有效繁殖數量減少之間建立了關聯。
隨著特定國家/地區病例數的減少，預測模型將從指數形式（表明病毒呈指數傳播）過渡到線性形式（表明感染正在穩定）。義大利從4月初開始進入這種線性體制，該模型預計，美國將在4月15日至20日之間進行類似的過渡，這與健康指標與評估研究所的其他預測類似。
麻省理工學院的模型與今年早些時候由微軟、印度理工學院和塔塔諮詢服務公司的研發部門TCS Research的研究人員發布的模型一致，後者根據疾病參數自動學習政策，如傳染性、妊娠期、症狀持續時間、死亡概率、人口密度和流動傾向。在持續了52周（364天）的模擬過程中，進行了75次模擬；研究表明，將會有5%至10%的地方，新型冠狀病毒感染的高峰較低。
另外，一個國際研究小組使用百度提供的人類流動性數據來闡明新型冠狀病毒傳播在我們國內城市中的作用。他們發現，在實施控制和隔離措施後，新型冠狀病毒病例的地理分布與流動性之間的相關性下降，並且大多數地區的增長率都為負，這表明這些措施減輕了新型冠狀病毒的傳播。