COVIDHunter：基于季节性感知建模的 COVID-19 大流行波预测与缓解
定量方法
2022-06-15 v1 机器学习
物理与社会
应用统计
摘要
对 COVID-19 患者的早期检测与隔离，是成功实施缓解策略并最终遏制疾病传播的关键。鉴于各国每日进行的 COVID-19 检测数量有限，模拟 COVID-19 传播及各缓解策略的潜在效应，目前仍是管理医疗系统与指导决策者最有效的方式之一。我们提出 COVIDHunter，一个灵活且准确的 COVID-19 暴发模拟模型，可评估某地区当前应用的缓解措施、预测 COVID-19 统计指标（每日病例数、住院数与死亡数），并就即将采取的缓解措施应达强度提供建议。COVIDHunter 的核心思想是通过模拟一名感染者引发的平均新感染数来量化某地理区域内的 COVID-19 传播，并考虑外部环境因素的影响，如环境条件（气候、温度、湿度）、不同关切变异株、疫苗接种率与缓解措施。以瑞士为案例，COVIDHunter 估计我们正经历一场致命的新波，将于 2022 年 1 月 26 日达峰，其数量与 2020 年 2 月的波次极为相似。决策者只有一个选择，即在 30 天内增强当前所施缓解措施的强度。与现有模型不同，COVIDHunter 模型准确监测并预测了 COVID-19 导致的每日病例数、住院数与死亡数。我们的模型配置灵活、易于修改，可针对不同环境条件与缓解措施下的各类情景建模。我们在 https://github.com/CMU-SAFARI/COVIDHunter 发布了 COVIDHunter 实现的源代码。
引用
@article{arxiv.2206.06692,
title = {COVIDHunter: COVID-19 pandemic wave prediction and mitigation via seasonality-aware modeling},
author = {Mohammed Alser and Jeremie S. Kim and Nour Almadhoun Alserr and Stefan W. Tell and Onur Mutlu},
journal= {arXiv preprint arXiv:2206.06692},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2102.03667