在流行病学推断中考虑接触网络的不确定性

在对传染病动力学进行建模时，引入接触网络信息能够捕捉真实接触模式的非随机性与异质性。通常假设底层接触模式是完全已知的。然而，在现实场景中，观测数据往往仅作为人群实际接触模式的不完美代理。此外，现实世界中的流行病往往未被完全观测；感染和恢复等事件时间可能缺失。为了对传染扩散的参数进行准确推断，纳入这些不确定性来源至关重要。本文提出使用混合密度网络压缩 ABC（MDN-ABC）来学习可用数据的信息性充分统计量。该方法允许在考虑流行病和接触网络观测不完美的前提下，对传染过程的流行病学参数进行贝叶斯推断。我们将在模拟的流行病和网络上演示该方法的使用，并将该框架扩展用于分析澳大利亚鲨鱼湾宽吻海豚中纹身皮肤病（TSD）的传播。