具有网络与时间依赖性的自适应序贯监测
统计方法学
2022-12-06 v1 应用统计
机器学习
摘要
策略性检测资源分配在控制新发和既有大流行（如 COVID-19、HIV）中起着重要作用。广泛检测通过（1）识别病例以减少传播，以及（2）追踪暴发动态以指导针对性干预，来支持有效的疫情控制。然而，传染病监测带来了独特的统计挑战。例如，感兴趣的真实结局——个体的阳性感染状态，通常是一个潜变量。此外，网络和时间依赖性的存在将数据缩减为单一观测。由于对整个群体定期检测既无效率也不可行，标准的检测方法推荐简单的基于规则的检测策略（如基于症状、接触者追踪），而未考虑个体风险。在这项工作中，我们研究了一种涉及 n 个个体在 τ 个时间步长内的自适应序贯设计，其允许个体间和跨时间的未指定依赖性。我们的因果目标参数是：若在时间 t 给定已观测到的过去，我们执行一项在资源约束下最大化该结局的随机干预，则经过一个时间步后本应获得的均值潜结局。我们提出了一种用于自适应序贯监测的在线超级学习器（Online Super Learner），它随时间学习最优检测策略选择，同时适应暴发的当前状态。依靠一系列工作模型，所提方法基于数据中潜在的（未知）结构，跨样本、跨时间或同时跨两者进行学习。我们给出了潜结局关于观测数据的识别结果，并在模拟 COVID-19 大流行期间寄宿制大学环境的模型中展示了所提策略的优越性能。
引用
@article{arxiv.2212.02422,
title = {Adaptive Sequential Surveillance with Network and Temporal Dependence},
author = {Ivana Malenica and Jeremy R. Coyle and Mark J. van der Laan and Maya L. Petersen},
journal= {arXiv preprint arXiv:2212.02422},
year = {2022}
}