评估疫情曲线中超级传播的证据
应用统计
2022-02-22 v2 种群与进化
摘要
每个指示病例产生的继发感染期望数，称为再生数或 数，是理解和管理传染病的重要汇总统计量。估计 的方法很多；然而，很少有明确建模异质性疾病传播的方法，而后者会在人群中引发超级传播。我们提出了一种用于疫情曲线的简约离散时间分支过程模型，该模型纳入了异质的个体再生数。我们的贝叶斯推断方法表明，这种异质性降低了对时变队列再生数 估计的确定性。我们将这些方法应用于爱尔兰共和国的 COVID-19 疫情曲线，发现了异质性疾病传播的支持证据。我们的分析使我们能够估计由人群中最具传染性部分所引起的继发感染期望比例。例如，我们估计前 20% 最具传染性的指示病例在 95% 后验概率下约占期望继发感染的 75-98%。此外，我们强调异质性是估计 时的重要考量因素。
引用
@article{arxiv.2106.12064,
title = {Assessing epidemic curves for evidence of superspreading},
author = {Joe Meagher and Nial Friel},
journal= {arXiv preprint arXiv:2106.12064},
year = {2022}
}