使用合成疫情数据评估呼吸疾病入院预测
种群与进化
2025-05-20 v2
摘要
感染性疾病入院预测在疫情和大流行期间用于分配医疗资源发挥重要作用。COVID-19 大规模分析表明，模型在准确性上的排名分布是异构的，集合预测平均准确性最高。基于此工作，我们生成了324个不同病例特征和公共卫生响应对应的最大异构性合成入院时间序列数据集。我们评估了14个组件模型和6种不同集合方法。我们的结果表明，组件模型的准确性是异构的，且取决于当前疾病传播率。从7天到14天的预测范围，机械模型在相对准确性方面优于统计模型。一种新型自适应集合方法超越了所有其他集合方法，但紧随其后的是中位集合。我们还研究了集合误差与组件预测变异性之间的关系，表明变异系数是预测未来误差的预测因子。最后，我们在瑞典的 COVID-19 大流行数据上验证了结果。我们的发现有望改进疫情预测，特别是能够在预测时基于组件预测变异性为集合预测分配置信度。
关键词
引用
@article{arxiv.2503.22494,
title = {Evaluation of respiratory disease hospitalisation forecasts using synthetic outbreak data},
author = {Grégoire Béchade and Torbjörn Lundh and Philip Gerlee},
journal= {arXiv preprint arXiv:2503.22494},
year = {2025}
}