面向大流行的贝叶斯更新方案：COVID-19 感染动力学估计
种群与进化
2021-01-01 v2 物理与社会
摘要
流行病模型在理解和应对新出现的 COVID-19 大流行中发挥着关键作用。广泛使用的仓室模型是静态的，在评估针对新出现大流行的干预策略方面作用有限。应用数据同化技术，我们提出了一种贝叶斯更新方法，利用可观测信息估计流行病学参数，以评估不同干预策略的影响。我们采用简洁的更新模型，并通过将瞬时再生数 Rt 的降低量分解为缓解因子和抑制因子，提出了新参数，以在更细的粒度上量化干预影响。随后，我们开发了一个用于估计这些参数的数据同化框架，包括构建观测函数和开发贝叶斯更新方案。然后建立了一个统计分析框架，通过监测这些估计参数的演变来量化干预策略的影响。通过使用该框架调查欧洲国家、美国和武汉的干预措施影响，我们揭示了这些国家干预措施的效果以及美国的反弹风险。
引用
@article{arxiv.2006.12177,
title = {A Bayesian Updating Scheme for Pandemics: Estimating the Infection Dynamics of COVID-19},
author = {Shuo Wang and Xian Yang and Ling Li and Philip Nadler and Rossella Arcucci and Yuan Huang and Zhongzhao Teng and Yike Guo},
journal= {arXiv preprint arXiv:2006.12177},
year = {2021}
}
备注
This work is submitted to IEEE Computational Intelligence Magzine Special Issues on Computational Intelligence for Combating COVID-19