基于机器学习的印度 COVID-19 病例分析:一项干预研究
机器学习
2020-08-26 v1 物理与社会
种群与进化
摘要
为应对 2019 冠状病毒病(COVID-19)大流行,世界上可行的少数选项包括疫苗接种、血浆疗法、群体免疫和流行病学干预。COVID-19 疫苗研发正在进行中,开发疫苗可能需要相当长的时间,且开发完成后还需时间对全体人口进行接种,而血浆疗法存在一定局限。群体免疫可作为小国对抗 COVID-19 的合理选项。但对于印度这样人口众多的国家,群体免疫并不可行,因为要获得群体免疫约需 67% 的人口从 COVID-19 感染中康复,这将给该国医疗系统带来额外负担并造成大量生命损失。因此,在疫苗研发完成前,流行病学干预(完全封锁、部分封锁、隔离、留观、社交距离等)是印度减缓 COVID-19 传播的一些适宜策略。本工作中,我们提出了带干预的 SIR 模型,将流行病学干预纳入经典 SIR 模型。为对干预效果建模,我们引入 ρ 作为干预参数,ρ 是一个涵盖各类干预的累积量。我们还讨论了监督机器学习方法,用于根据印度及部分邦的 COVID-19 流行数据估计带干预 SIR 模型的传播率(β)。为验证模型,我们给出了实际与模型预测的 COVID-19 病例数之间的比较。利用我们的模型,我们还给出了截至 2020 年 9 月 30 日印度全境及部分邦的活动和康复 COVID-19 病例预测数,并估计了预测病例的 95% 和 99% 置信区间。
引用
@article{arxiv.2008.10450,
title = {Analysis of COVID-19 cases in India through Machine Learning: A Study of Intervention},
author = {Hanuman Verma and Akshansh Gupta and Utkarsh Niranjan},
journal= {arXiv preprint arXiv:2008.10450},
year = {2020}
}
备注
27 Pages, 26 Figures, 3 Tables