利用轨迹大数据检测疑似传染病病例
应用统计
2020-06-02 v3 种群与进化
摘要
新发传染病对人类健康和全球稳定构成生存威胁。近期新型冠状病毒COVID-19的暴发迅速形成全球大流行，造成数十万人感染和巨大经济损失。世界卫生组织宣布，更精准地追踪、检测和隔离感染者的措施是最快速控制疫情最有效的手段之一。基于大数据提供的轨迹和平均场理论，我们通过提出一种称为HiRES风险图的时空模型，建立了包含所有风险传播粒子信息的聚合风险平均场。该风险图具有动态精细空间分辨率和高计算效率，可实现快速更新。我们进而基于HiRES风险图提出一种客观个体疫情风险评分模型HiRES-p，并用以发展检测疑似传染病感染个体的统计推断与机器学习方法。我们通过将所提方法应用于研究中国COVID-19早期暴发进行数值实验。结果表明，HiRES风险图在捕捉疫情风险的全局趋势和局部变异方面具有很强能力，因此可应用于国家、省、市和社区层面以及医院和车站等特定高风险地点的疫情风险监测。HiRES-p评分似乎是个人疫情风险的有效度量。当人群感染率低于20%时，两种检测方法准确率均在90%以上，显示出在疫情风险防控实践中的巨大应用潜力。
引用
@article{arxiv.2004.00908,
title = {Detecting Suspected Epidemic Cases Using Trajectory Big Data},
author = {Chuansai Zhou and Wen Yuan and Jun Wang and Haiyong Xu and Yong Jiang and Xinmin Wang and Qiuzi Han Wen and Pingwen Zhang},
journal= {arXiv preprint arXiv:2004.00908},
year = {2020}
}