基于分层广义加性模型的英格兰次区域流感住院入院预测
应用统计
2023-02-24 v1 种群与进化
摘要
背景：季节性流感在冬季给医疗服务带来沉重负担，而此时这些系统已承压。COVID-19大流行期间的防控政策抑制了季节性流感传播，使得潜在复发的时机与规模难以预测。方法：我们开发了分层广义加性模型（GAM）用于英格兰各地区经流感病毒阳性检测的住院入院的短期预测。该模型融合了多层级时空样条、每周季节性及空间相关性结构。使用区间评分、覆盖度、偏差与中位绝对误差等多种性能指标，对2022/23季节性波的预测表现进行评估。性能以自回归积分滑动平均（ARIMA）时间序列模型为基准衡量。结果：GAM方法在高低层级地理区域及包括拐点的疫情波各阶段，其评分规则表现均优于ARIMA模型。GAM在14天预测期下的误差与ARIMA在7天下相当。GAM性能对衡量全国疫情趋势的平滑函数灵活性最为敏感。解释：本研究引入一种结合分层、空间与时间组件的流感住院入院短期预测新方法。该模型数据驱动，且可利用预测时实际可得的信息务实部署，解决了疫情预测方法的关键局限。该模型由英国卫生安全局及英格兰国家医疗服务体系在冬季医疗运行规划中应用。
引用
@article{arxiv.2302.11904,
title = {Forecasting influenza hospital admissions within English sub-regions using hierarchical generalised additive models},
author = {Jonathon Mellor and Rachel Christie and Christopher E Overton and Robert S Paton and Rhianna Leslie and Maria Tang and Sarah Deeny and Thomas Ward},
journal= {arXiv preprint arXiv:2302.11904},
year = {2023}
}