使用互联网搜索数据预测 COVID-19 住院情况
机器学习
2022-02-09 v1 医学物理
应用统计
摘要
随着 COVID-19 在全球蔓延且新变异株不断出现，可靠的 COVID-19 住院实时预测对于有关医疗资源分配的公共卫生决策（如 ICU 床位、呼吸机及人员，以应对 COVID-19 大流行激增）至关重要。受公众搜索行为与入院治疗之间强关联的启发，我们扩展了先前提出的流感追踪模型 ARGO（AutoRegression with GOogle search data，基于谷歌搜索数据的自回归），以预测未来两周全国及州级的 COVID-19 新增住院人数。利用 COVID-19 相关时间序列信息与谷歌搜索数据，我们的方法能够稳健捕捉新变异株的激增，并在全国和州级层面自我修正。基于跨越 12 个月比较期的回顾式样本外评估，我们的方法相较从 COVID-19 预测中心收集的最佳替代模型平均实现了 15% 的误差降低。总体而言，我们表明该方法灵活、自修正、稳健、准确且可解释，使其成为协助医疗官员及决策的潜在有力工具，以应对当前与未来的传染病暴发。
引用
@article{arxiv.2202.03869,
title = {COVID-19 Hospitalizations Forecasts Using Internet Search Data},
author = {Tao Wang and Simin Ma and Soobin Baek and Shihao Yang},
journal= {arXiv preprint arXiv:2202.03869},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2202.02621