基于自我报告症状的COVID-19疫情预测与分析
机器学习
2021-06-22 v2 应用统计
摘要
对政策制定者而言，了解社区中COVID-19的流行程度至关重要，以便在疫情期间有效调配与优先安排抗疫资源。传统上，社区流行程度通过诊断与抗体检测数据评估。然而，尽管COVID-19检测日益可得，全球大部分地区仍未达到所需水平，这带来了社区确定疾病流行程度的替代方法需求。COVID-19的流行与传播在不同空间、时间与人口统计上的差异进一步使此问题复杂化。本研究中，我们利用自我报告COVID-19症状调查的结果作为检测报告的替代，来理解COVID-19传播趋势。这使我们即便在COVID-19检测能力低的地区也能评估社区疾病流行程度。使用来自不同人群的个体报告症状数据，我们的方法预测了人群中COVID-19检测阳性的可能百分比。我们以平均绝对误差（MAE）1.14与平均相对误差（MRE）60.40%（95%置信区间(60.12, 60.67)）达成此预测。这意味着在百万人口中，我们的模型预测与原值相差±1140例。此外，我们利用前几日的自我报告症状数据，预测了未来30天各地人群检测阳性的百分比。对纽约而言，此方法的MAE低至0.15（MRE为23.61%，95%置信区间(23.6, 13.7)）。我们给出了这些结果的分析，揭示了不同人口统计中令人关注的多项临床属性。最后，我们定性分析了各类政策颁布（检测、宵禁）如何影响社区中COVID-19的流行程度。
引用
@article{arxiv.2101.10266,
title = {COVID-19 Outbreak Prediction and Analysis using Self Reported Symptoms},
author = {Rohan Sukumaran and Parth Patwa and T V Sethuraman and Sheshank Shankar and Rishank Kanaparti and Joseph Bae and Yash Mathur and Abhishek Singh and Ayush Chopra and Myungsun Kang and Priya Ramaswamy and Ramesh Raskar},
journal= {arXiv preprint arXiv:2101.10266},
year = {2021}
}
备注
15 pages, 16 Figures - Latest version on the Journal of Behavioural Data Science - https://isdsa.org/_media/jbds/v1n1/v1n1p8.pdf