隐式马尔可夫个体水平传播模型

个体水平流行病模型正逐渐被用于理解各种传染病的传播动力学。然而，对个体水平流行病数据拟合往往具有挑战性，因为我们通常只知道个体的疾病检测时间（例如症状出现时），而不知道感染时间或移除时间。我们提出一种自回归耦合隐藏马尔可夫模型，用于从每个检测到的个体的单个观测检测时间推断未知的感染和移除时间，以及其他模型参数。与传统用于流行病建模的数据增强方法不同，我们不假设检测时间对应感染或移除，也不假设感染个体必须被检测到。贝叶斯耦合隐藏马尔可夫模型此前已用于个体水平流行病数据。然而，这些方法假设每个个体都要持续检测且检测相互独立。在实际情况下，个体通常只在首次检测阳性后就停止检测，即使持续检测，也可能只报告最初的检测时间。此外，同一个体的多次检测可能并不独立。我们通过假设检测疾病的概率可以依赖过去的观察结果来适应这些情形，这允许我们适用于更广泛的实际应用场景。我们通过拟合两个实例来展示我们方法的灵活性：一个关于番茄痘肿病在椒検传播的实验，以及一个关于医院护士中诺如病毒爆发的案例。