使用贝叶斯 $m$-top 探索评估 COVID-19 疫苗分配策略
机器学习
2025-02-27 v2 人工智能
摘要
基于个体的流行病学模型支持在计算机中研究细粒度预防措施，例如量身定制的疫苗分配策略。由于基于个体的模型计算密集，在合理计算预算内识别最优策略至关重要。此外，由于实施预防策略涉及高度社会影响，应将决策相关的不确定性传达给政策制定者，这自然嵌入于贝叶斯方法中。我们提出了一种评估疫苗分配策略的新技术，使用多臂老虎机框架结合贝叶斯随时 -top 探索算法。-top 探索使算法能够学习其预期效用最高的 个策略，使专家能够检视这一小组替代策略及其量化的不确定性。随时组件为政策顾问提供了关于计算时间与所需置信度的灵活性，这一点很重要，因为事先难以权衡此取舍。我们考虑使用基于个体的模型 STRIDE 的比利时 COVID-19 疫情，学习一组最小化感染与住院人数的疫苗接种策略。通过实验我们展示了我们的方法能有效识别 -top 策略，并在真实情况已知的情景中得到验证。最后，我们探索了在不同接触减少方案下如何最优组织疫苗接种策略，并研究了疫苗接种率（即遵从策略接种疫苗的个体比例）的影响。
引用
@article{arxiv.2301.12822,
title = {Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration},
author = {Alexandra Cimpean and Timothy Verstraeten and Lander Willem and Niel Hens and Ann Nowé and Pieter Libin},
journal= {arXiv preprint arXiv:2301.12822},
year = {2025}
}