以数据为中心的流行病预测：一项综述

COVID-19 大流行凸显了流行病预测对从公共卫生到整体经济等多领域决策者的重要性。虽然流行病进展预测常被概念化为类似于天气预报，但它存在一些关键差异且仍是一项非平凡任务。疾病传播受到跨越人类行为、病原体动力学、天气和环境条件的多个混杂因素的影响。研究兴趣受到可获取捕获先前不可观测层面的丰富数据源的推动，也受到政府公共卫生和资助机构举措的推动。这尤其导致了大量关于“以数据为中心”解决方案的工作，这些方案通过利用非传统数据源以及 AI 和机器学习的最新创新，已展现出增强我们预测能力的潜力。本综述深入探讨各种数据驱动的方法论与实际进展，并引入一个概念框架以梳理它们。首先，我们列举与流行病预测相关的大量流行病学数据集和新颖数据流，捕获诸如症状在线调查、零售与商业、流动性、基因组学数据等多种因素。接下来，我们讨论方法和建模范式，聚焦于近期数据驱动的统计与基于深度学习的方法，以及结合机理模型领域知识与统计方法有效性和灵活性的新型混合模型类。我们还讨论这些预测系统在实际部署中出现的经验和挑战，包括由预测 informed 的决策。最后，我们强调在预测流水线中发现的若干挑战与开放问题。