基于多数据源的随机动力学模型推断：从聚合报告与病毒学数据联合估计感染动态
应用统计
2022-02-21 v4
摘要
在本次大流行之前，流感与呼吸道合胞病毒（RSV）是全球季节性急性呼吸道感染（ARI）的主要病原。在此情形下，内科医生通常仅依据患者症状诊断 ARI，并不常规进行识别个别病毒所需的病毒学检测，这限制了研究多种病原体间相互作用及制定公共卫生建议的能力。我们考虑一个描述在大规模人群中流行的两种相互作用 ARI 病原体、以及由其他引起类似症状病原体所致感染的经经验驱动的背景过程的随机动力学模型（SKM）。一种基于 SKM 线性噪声近似的扩展边际采样方法，整合了多数据源与附加模型组分。我们在贝叶斯模型下推断定义病原体动态与相互作用的参数，并基于州卫生部门收集的六个流行季的聚合感染报告及墨西哥圣路易斯波托西一家综合医院哨点项目的部分病毒学检测，探究各疾病的感染后验轨迹。我们解读结果并对未来数据收集策略提出建议。
引用
@article{arxiv.1710.10346,
title = {Inference for stochastic kinetic models from multiple data sources for joint estimation of infection dynamics from aggregate reports and virological data},
author = {Oksana A. Chkrebtii and Yury E. García and Marcos A. Capistrán and Daniel E. Noyola},
journal= {arXiv preprint arXiv:1710.10346},
year = {2022}
}
备注
A previous version of this manuscript was mistakenly uploaded as a separate submission (arXiv:1903.10905)