CRISP：基于接触数据的个体级 COVID-19 感染风险估计概率模型
社会与信息网络
2022-07-04 v2 机器学习
机器学习
摘要
我们提出 CRISP（COVID-19 Risk Score Prediction，COVID-19 风险评分预测），一种基于 SEIR 模型、依据接触数据刻画 COVID-19 在人群中感染传播的概率图模型，其中我们假设可获取（1）个体对之间跨时间、跨多种渠道（如蓝牙接触轨迹）的相互接触，以及（2）给定时刻感染、暴露和免疫检测的结果。我们的微观层面模型追踪每个个体在每一时刻的感染状态，范围从易感、暴露、传染到康复。我们开发了蒙特卡洛 EM 以及消息传递算法来推断接触渠道特定的感染传播概率。我们的蒙特卡洛算法使用 Gibbs 采样，在给定所有接触者的潜在感染状态和检测结果数据的情况下，抽取每个个体在整个分析时段内的潜在感染状态样本。基于模拟数据的实验结果表明，我们的 CRISP 模型可由基本再生数 参数化，并展现出与经典 SEIR 模型相似的群体级传染性与康复时间序列。然而，由于具备个体接触数据，该模型可对广泛的 COVID-19 缓解与抑制政策手段进行细粒度控制与推断。此外，块 Gibbs 采样算法能够在检测-追踪-隔离的防控思路中支持高效检测。据我们所知，这是首个基于个体级接触数据、具有高效推断的 COVID-19 感染传播模型；多数传染病模型为对整个人群进行推理的宏观层面模型。CRISP 的实现以 Python 和 C++ 提供，见 https://github.com/zalandoresearch/CRISP。
引用
@article{arxiv.2006.04942,
title = {CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection Risk Estimation Based on Contact Data},
author = {Ralf Herbrich and Rajeev Rastogi and Roland Vollgraf},
journal= {arXiv preprint arXiv:2006.04942},
year = {2022}
}