从政策到预测：不完全疫苗接种下的COVID-19动态 forecasting
定量方法
2022-01-19 v1 应用统计
摘要
理解疫苗接种与非药物干预对COVID-19发展的联合影响，对于制定控制疫情的公共卫生决策十分重要。近来，我们创建了一种预测传染病每日确诊数的方法，其结合用于感染类群的机理常微分方程(ODE)模型与用于预测公共卫生政策和移动数据如何影响ODE模型中传播率的广义提升机器学习模型(GBM) [WWR+]。在本文中，我们将该方法扩展至疫苗接种后时期，相应获得美国COVID-19每日确诊病例的回顾性预测，并识别作为预测变量的政策之相对影响。特别地，我们的ODE模型包含部分接种与完全接种 compartment，并考虑突破病例，即接种疫苗的个体仍可能感染。我们的结果表明，纳入非药物干预数据可显著提升预测精度。利用政策数据，该模型可预测未来至多35天的每日感染病例数，平均绝对百分比误差为34%，若结合人类移动数据可进一步改善至21%。此外，与接种前研究类似，最具影响的预测变量仍是聚集限制政策。本工作所用的建模方法可帮助政策制定者在变异毒株未来威胁公共卫生时设计控制措施。
引用
@article{arxiv.2201.05930,
title = {From policy to prediction: Forecasting COVID-19 dynamics under imperfect vaccination},
author = {Xiunan Wang and Hao Wang and Pouria Ramazi and Kyeongah Nah and Mark Lewis},
journal= {arXiv preprint arXiv:2201.05930},
year = {2022}
}