混合预测: 将人类判断与计算方法融合以提高流感住院预测的准确性
应用统计
2024-10-11 v1
摘要
感染性疾病预测可通过支持基于证据的公共卫生决策制定，从而降低死亡率和患病率。大多数流行病模型训练数据来源于监测数据和结构化数据（如天气、 mobility、媒体报道），但缺乏关于疫情的情境信息。人类判断预测是一种新型数据，要求人类基于监测数据和情境信息生成预测。我们的主要假设是，基于监测数据和人类判断预测训练的流行病模型（即混合模型），在预测住院病例长期趋势方面，优于仅基于监测数据的对照模型。人类在进行预测时会耗尽认知能量，限制其只能预测少数州的预测结果。我们的次要假设是，模型可以将来自少数州的人类判断预测映射到所有州，实现类似的预测效果。对于 2023/24 赛季，我们收集了所有美国州的每周流感住院病例数据，以及 696 项针对最常住人口的十个州的人类判断预测，预测峰值发作周数和峰值住院人数（峰值强度）。我们发现，混合模型在长期预测方面优于对照模型。与人类判断相比，混合模型在预测峰值发作周数和峰值强度方面表现出相同或更好的效果。对十个州的预测——即人类输入预测结果与扩展这些预测至所有州的模型——显示出相似的预测效果。我们的研究表明，人类判断预测是一种可行的数据来源，可提高感染性疾病预测的准确性，并支持公共卫生决策。
引用
@article{arxiv.2410.07236,
title = {Chimeric Forecasting: Blending Human Judgment and Computational Methods for Improved, Real-time Forecasts of Influenza Hospitalizations},
author = {Thomas McAndrew and Mark Lechmanik and ErinN. Hulland and Shaun Truelove and Mark Ilodigwe and Maimuna Majumder},
journal= {arXiv preprint arXiv:2410.07236},
year = {2024}
}