用于公共卫生决策与监测的贝叶斯时空即时预测模型
应用统计
2023-05-12 v1
摘要
随着 COVID-19 在 2020 年于美国蔓延，各州开始建立预警系统以辅助政策决策并作为面向公众的风险沟通工具。其中许多系统（如俄亥俄州）包含基于报告病例趋势评估的指标。然而，当病例按发病日期索引时，报告延迟使趋势解读复杂化。尽管已有解决此问题的统计文献基础，这些方法在实践中尚未广泛应用。在本文中，我们开发了一个贝叶斯时空即时预测模型，用于评估俄亥俄州县级 COVID-19 病例的趋势。我们将模型性能与俄亥俄州当前所用方法及疾病控制与预防中心推荐的方法进行比较。我们展示了在保持可解释性的同时，使用我们的模型获得的性能提升。此外，我们能够充分考虑病例时间序列和报告过程中的不确定性。尽管我们无法消除公共卫生监测及后续决策中的所有不确定性，但我们必须使用直面这些挑战并向政策制定者提供更准确、诚实评估的方法。
引用
@article{arxiv.2102.04544,
title = {A Bayesian spatio-temporal nowcasting model for public health decision-making and surveillance},
author = {David Kline and Ayaz Hyder and Enhao Liu and Michael Rayo and Samuel Malloy and Elisabeth Root},
journal= {arXiv preprint arXiv:2102.04544},
year = {2023}
}