利用发病率数据进行疾病暴发与非暴发的早期检测
机器学习
2024-04-16 v1 动力系统
种群与进化
应用统计
摘要
预测新型疾病暴发的发生与不发生对于疾病管理至关重要。在此，我们开发了一个无需真实世界训练数据的通用模型，能够准确预测疾病暴发与非暴发。我们提出了一种新颖的框架，使用基于特征的时间序列分类方法来预测暴发与非暴发。我们在来自易感-感染-恢复模型的合成数据上测试了我们的方法，该模型模拟了缓慢变化、带噪声的疾病动力学。暴发序列在指定的未来时间窗口内会出现跨临界分岔，而非暴发（零分岔）序列则不会。我们识别了导致未来暴发与非暴发的感染者时间序列中的早期差异。这些差异体现在22个统计特征和5个早期预警信号指标中。分类器性能（由受试者工作特征曲线下面积给出）范围从使用大型扩展窗口训练数据的0.99到使用小型滚动窗口的0.7。在两个经验数据集（新加坡的COVID-19数据和香港的SARS数据）上测试了分类器的真实世界性能，两个分类器表现出高准确率。总之，我们证明了在暴发发生很久之前，就存在能够区分暴发序列与非暴发序列的统计特征。我们能够在合成数据集和真实世界数据集中，远在潜在暴发发生之前检测到这些差异。
引用
@article{arxiv.2404.08893,
title = {Early detection of disease outbreaks and non-outbreaks using incidence data},
author = {Shan Gao and Amit K. Chakraborty and Russell Greiner and Mark A. Lewis and Hao Wang},
journal= {arXiv preprint arXiv:2404.08893},
year = {2024}
}