用于COVID-19时变感染率与缓解措施的数据驱动深度学习算法
种群与进化
2022-05-16 v3
摘要
具有恒定参数的流行病学模型在大流行期间存在药物和非药物缓解措施时可能无法捕捉令人满意的感染模式,因为传染性是时间的函数。本文引入一种流行病学知情神经网络算法,以在各种缓解情景下学习COVID-19大流行的时变传播率。存在无症状感染者,且大多未被报告,所提算法学习总感染个体中无症状感染者的比例。利用有症状感染者的累积和每日报告病例,我们模拟了早期检测感染者、接触者追踪和社交距离等非药物缓解措施对基本再生数的影响。我们展示了疫苗接种对COVID-19传播的有效性。使用意大利、韩国、英国和美国的COVID-19数据驱动模拟中的误差度量证明了所提算法的准确性。
引用
@article{arxiv.2104.02603,
title = {Data-driven deep learning algorithms for time-varying infection rates of COVID-19 and mitigation measures},
author = {K. D. Olumoyin and A. Q. M. Khaliq and K. M. Furati},
journal= {arXiv preprint arXiv:2104.02603},
year = {2022}
}
备注
Made changes to authors name, F.M. Furati to K.M. Furati