基于死亡、确诊病例、检测与随机调查估计 SARS-CoV-2 感染数
应用统计
2022-06-08 v1 种群与进化
摘要
有许多数据源提供关于人群中 SARS-CoV-2 感染数的信息，但都存在重大缺陷，包括偏差与报告延迟。例如，确诊病例数大幅低估感染数，死亡滞后于感染甚多，而检测阳性率往往严重高估患病率。具有代表性的随机患病率调查作为唯一假定无偏的来源，在时间与空间上稀疏，且结果伴随很大延迟。可靠的人群患病率估计对于理解病毒传播与缓解策略效果是必要的。我们开发了一个简单的贝叶斯框架，通过结合主要可用数据源来估计病毒患病率。其基于具有时变繁殖参数的离散时间 SIR 模型。我们的模型包含似然分量，纳入了每日因该病毒导致的死亡数据、确诊病例数以及施行的检测数。我们以印第安纳州与俄亥俄州的随机样本检测调查数据锚定推断。利用这两州的结果对阳性检测计数进行模型校准，进而估计美国各州每日的感染致死率与新感染数。我们估计了报告的 COVID 病例低估真实感染数的程度，该程度很大，尤其在疫情头几个月。我们探讨了该结果对迈向群体免疫进展的启示。
引用
@article{arxiv.2102.10741,
title = {Estimating SARS-CoV-2 Infections from Deaths, Confirmed Cases, Tests, and Random Surveys},
author = {Nicholas J. Irons and Adrian E. Raftery},
journal= {arXiv preprint arXiv:2102.10741},
year = {2022}
}