在具有不同噪声的随机疾病传播模型上训练的早期预警指标
机器学习
2024-03-26 v1 种群与进化
应用统计
摘要
通过可靠的早期预警信号（EWSs）及时检测疾病爆发，对于有效的公共卫生缓解策略不可或缺。然而，现实世界疾病传播的复杂动态，常受多种噪声源影响且爆发初期数据有限，对开发可靠的 EWSs 构成了重大挑战，因为现有指标的性能随外在和内在噪声而变化。在此，我们应对了在测量受到加性白噪声、乘性环境噪声和人口噪声干扰时对疾病进行建模的挑战，将其纳入标准流行病数学模型。为了应对这些噪声源引入的复杂性，我们采用了一种深度学习算法，通过在噪声诱导的疾病传播模型上进行训练，为传染病爆发提供 EWS。通过将其应用于 Edmonton 的现实世界 COVID-19 病例以及源自受噪声影响的多种疾病传播模型的模拟时间序列，证明了该指标的有效性。值得注意的是，该指标能够捕捉疾病爆发时间序列中的即将发生的转变，并优于现有指标。本研究通过解决现实世界疾病传播中固有的复杂动态，推进了早期预警能力，为增强公共卫生准备和应对工作提供了一条有前景的途径。
引用
@article{arxiv.2403.16233,
title = {An early warning indicator trained on stochastic disease-spreading models with different noises},
author = {Amit K. Chakraborty and Shan Gao and Reza Miry and Pouria Ramazi and Russell Greiner and Mark A. Lewis and Hao Wang},
journal= {arXiv preprint arXiv:2403.16233},
year = {2024}
}