基于经验贝叶斯框架的流行病灵活建模

季节性流感流行病每年在经济负担、发病率和死亡率方面造成持续、巨大且广泛的损失。若能获得对当前或即将到来的流感流行病行为的准确可靠预测，政策制定者便可设计并实施更有效的对策。我们开发了一个基于半参数经验贝叶斯框架的流行病季内预测框架，并将其应用于预测流感样疾病门诊就诊率的周百分比，以及季节起始时间、持续时间、峰值时间和峰值高度；该应用作为 CDC 2013--2014“预测流感季节挑战”的一部分，分别使用了包含和不包含 Google Flu Trends 额外数据的情况。此前关于流行病建模的工作主要集中在开发疾病行为的机制模型并应用时间序列工具来解释历史数据。然而，这些模型可能无法准确捕捉未来可能出现的各种行为范围。我们的方法转而利用经过修改的往季数据，生成目标季节的流行病曲线可能性，允许季节性流行病在时间、进程和强度上存在合理变化，同时也考虑了观测噪声。由于该框架不做严格的领域特定假设，因此可轻松应用于其他疾病。该方法的另一个重要优势是，它能针对任何所需的预测目标生成完整的后验分布，而不仅仅是点预测。我们报告了针对 2013--2014 年美国流感季节前瞻性做出的流感样疾病预测，并将该框架在历史数据上的交叉验证预测误差与多种更简单的基线预测器进行了比较。