融合低延迟数据流与死亡数据以准确现在预测 COVID-19 相关死亡
应用统计
2021-12-16 v1
摘要
新型冠状病毒（COVID-19）的出现产生了快速且准确地汇总与其传播相关的最新信息的需要。虽然可以利用死亡数据提供可靠的信息流，但源于死亡的数据的延迟显著。由阳性检测结果得出的确诊病例潜在地提供了更低延迟的数据流。然而，受检者的抽样随时间变化，且检测原因通常未被记录。住院通常发生在感染后约1-2周，相对于初始感染时间可视为过时。这些问题在多大程度上构成困扰，可能随时间和国家而不同。我们使用一种用于自然语言处理的机器学习算法，以多种语言训练，实时识别源自社交媒体（特别是Twitter）的有症状个体。随后，我们使用一个扩展的SEIRD流行病学模型，将包括Twitter有症状计数在内的低延迟数据流与死亡数据相融合，以估计模型参数并现在预测各隔室中的人数。该模型在概率编程语言Stan中实现，并使用定制的数值积分器。我们呈现的结果表明，将特定的低延迟数据流与死亡数据一同使用，比仅使用死亡数据能提供更一致且更准确的COVID-19相关死亡预测。
引用
@article{arxiv.2112.08097,
title = {Fusing Low-Latency Data Feeds with Death Data to Accurately Nowcast COVID-19 Related Deaths},
author = {Conor Rosato and Robert E. Moore and Matthew Carter and John Heap and Jose Storopoli and Simon Maskell},
journal= {arXiv preprint arXiv:2112.08097},
year = {2021}
}
备注
This research was presented at the Joint Statistical Meetings (JSM) 2021: Statistics, Data, and the Stories They Tell and subsequently published as part of the proceedings. 13 pages, 4 tables, 4 images