检测数据在揭示 COVID-19 真实疫情与实施干预措施中的可靠性如何？
社会与信息网络
2020-04-28 v1 机器学习
种群与进化
应用统计
机器学习
摘要
在公共讨论与政策制定中，COVID-19 确诊病例数常被用作实际真实感染病例数的替代指标。然而，确诊病例数依赖于检测政策，理解通过不同检测政策获得的阳性病例数如何揭示未知的真实疫情至关重要。我们开发了一个基于 Python 的基于智能体的仿真框架，可模拟各类检测政策以及基于这些政策的封锁等干预措施。智能体之间的交互可考虑各类社群与出行模式。我们框架的一个显著特征是存在另一种症状类似 COVID-19 的“流感”样疾病，从而能够对受检患者池选择中的噪声进行建模。我们利用印度班加罗尔市的普查数据将智能体按地理分布，并使用交通流出行数据建模长距离交互与混合，从而实例化该模型。我们使用该仿真框架比较了三种检测政策的性能：随机症状检测（RST）、接触者追踪（CT）以及一种新的基于位置的检测政策（LBT）。我们观察到，若有足够比例的症状患者前来检测，则即便每日检测量很少，RST 也能相当贴近地捕捉真实疫情。然而，CT 始终能捕捉更多阳性病例。有趣的是，我们新的 LBT 在操作上比 CT 更轻量，却给出了与 CT 相当的性能。另一方面，我们比较了这三种检测政策在支撑封锁方面的效能，观察到 CT 最大程度地压平了真实疫情曲线，LBT 紧随其后，且显著优于 RST。
引用
@article{arxiv.2004.12782,
title = {How Reliable are Test Numbers for Revealing the COVID-19 Ground Truth and Applying Interventions?},
author = {Aditya Gopalan and Himanshu Tyagi},
journal= {arXiv preprint arXiv:2004.12782},
year = {2020}
}