从预测到处方：应对COVID-19的数据驱动方法
应用统计
2020-07-01 v1 最优化与控制
种群与进化
机器学习
摘要
COVID-19疫情在全球范围内造成了前所未有的挑战。不堪重负的医疗机构每日就患者分诊、治疗和护理管理做出艰难决策。政策制定者已实施社交距离措施以减缓疾病传播，却付出了高昂经济代价。我们设计分析工具以支持这些决策并抗击疫情。具体而言，我们提出一种综合数据驱动方法来理解COVID-19的临床特征、预测其死亡率、 forecasting其演变，并最终减轻其影响。通过利用队列级临床数据、患者级医院数据和普查级流行病学数据，我们开发了结合描述性、预测性和规范性分析的四步集成方法。首先，我们将数百项临床研究汇总为最全面的COVID-19数据库，以描绘该疾病的新宏观图景。其次，我们构建个性化计算器，根据人口统计学、症状、合并症和实验室值预测感染与死亡风险。第三，我们建立新颖的流行病学模型以预测疫情蔓延并为社交距离政策提供信息。第四，我们提出优化模型以重新分配呼吸机并缓解短缺。我们的结果已在临床层面被多家医院用于患者分诊、指导护理管理、规划ICU容量和重新分配呼吸机。在政策层面，它们目前正在支持某主要机构的安全复工政策以及某主要制药公司的公平疫苗分配规划，并已集成至美国疾病控制中心的疫情预测中。
引用
@article{arxiv.2006.16509,
title = {From predictions to prescriptions: A data-driven response to COVID-19},
author = {Dimitris Bertsimas and Léonard Boussioux and Ryan Cory Wright and Arthur Delarue and Vassilis Digalakis and Alexandre Jacquillat and Driss Lahlou Kitane and Galit Lukin and Michael Lingzhi Li and Luca Mingardi and Omid Nohadani and Agni Orfanoudaki and Theodore Papalexopoulos and Ivan Paskov and Jean Pauphilet and Omar Skali Lami and Bartolomeo Stellato and Hamza Tazi Bouardi and Kimberly Villalobos Carballo and Holly Wiberg and Cynthia Zeng},
journal= {arXiv preprint arXiv:2006.16509},
year = {2020}
}
备注
Submitted to PNAS