用于估计疫情演变的贝叶斯数据同化：一项COVID-19研究
应用统计
2021-10-26 v2 生物物理
物理与社会
种群与进化
摘要
瞬时再生数Rt等流行病学参数的演变对于理解传染病的传播动态十分重要。当前对时变流行病学参数的估计常面临观测滞后、平均化推断以及不确定性量化不当等问题。为解决这些问题，我们提出一种用于时变参数估计的贝叶斯数据同化框架。具体而言，该框架被应用于Rt估计，形成了当前最先进的DARt系统。借助DARt，通过将观测延迟纳入感染人数与Rt的联合推断，解决了观测滞后导致的时间错位问题；通过在新观测到达时即时更新并构建可捕捉突变的模型选择机制，克服了平均化的缺陷；通过采用贝叶斯平滑，对不确定性进行了量化与降低。我们验证了DARt的性能，并展示了其在揭示COVID-19传播动态方面的能力。所提方法为从报告数据中准确、及时地估计传播动态提供了一种有前景的解决方案。
引用
@article{arxiv.2101.01532,
title = {Bayesian data assimilation for estimating epidemic evolution: a COVID-19 study},
author = {Xian Yang and Shuo Wang and Yuting Xing and Ling Li and Richard Yi Da Xu and Karl J. Friston and Yike Guo},
journal= {arXiv preprint arXiv:2101.01532},
year = {2021}
}
备注
Xian Yang, Shuo Wang and Yuting Xing contribute equally