新发传染病的贝叶斯监测

我们定义了数据分析方法，以监测 R（一名典型感染者引起的继发案例平均数量）的变化。输入数据集由划分为暴发的发病例组成，每个暴发由单一索引病例引发。我们根据贝叶斯范式将输入数据集拆分为两个连续子集，以评估两个连续的 R 值。我们使用具有两个不同 R 值的模型与具有单一 R 值的模型之间的贝叶斯因子，来证明 R 的变化在统计上显著。我们使用已知 R 生成的模拟数据验证了我们的方法。特别地，我们发现断言两个不同的 R 值可能在很大程度上取决于暴发的次数。随后，我们重新分析了 Jansen 等人 [Jansen et al. Science 301 (5634), 804] 先前研究的数据，涉及 1995-2002 年英国麻疹的有效再生数。我们的分析表明，1995-2002 年数据集应划分为 1995-1998 和 1999-2002 两个独立子集。相反，Jansen 等人将这一分割点作为其分析的输入。我们估计的有效再生数 R 与 Jansen 等人所得结果吻合良好。总之，我们利用暴发规模数据检测 R 时间变化的方法在模拟和真实世界数据上均令人满意地工作。该方法可用于在监测暴发数据可用时实时更新 R。