基于信息论的最优网络疫情流行病监测

估计疫情暴发的真实流行病患病率是公共卫生的关键问题。由于监测通常资源密集且存在偏差，这一任务具有挑战性。在网络环境中，现有成本敏感型疾病监测工作侧重于选择子集个体（或节点）以最小化如暴发检测概率等目标。此类方法无法提供有关暴发规模分布的信息，而该信息尽管复杂且多模态，却在公共卫生规划中非常有用。我们引入TESTPREV问题，即选择节点子集以最大化其与疾病患病率的互信息，直接提供有关暴发规模分布的信息。我们证明，在独立级联（IC）模型下，所有现有疾病监测方法在TESTPREV下高度次优。我们还表明TESTPREV难以逼近。尽管该互信息目标对一般网络计算具有挑战性，但我们证明可针对各种网络类高效计算。我们提出贪心策略GREEDYMI（贪心最大化），其使用级联模拟的互信息估计值，从而可适用于任意网络和疾病模型。我们发现，GREEDYMI在IC模型下，相较于自然基准线，在最大化互信息和降低暴发规模预期方差方面均表现更佳。