流行病学模型中基于机器学习的缓解策略优化
机器学习
2020-10-19 v1 计算机与社会
摘要
管理公共卫生危机的一个关键方面是有效平衡预防与缓解策略，同时考虑其社会经济影响。特别是，鉴于疫苗何时可用存在不确定性，确定不同非药物干预（NPIs）对公共资源有效利用的影响是一个重要问题。在本文中，我们提出了一种基于流行病学模型获取最优策略建议的新方法，该模型可刻画不同干预下的疾病进展，并采用前瞻奖励优化策略在流行病不同阶段选择合适的NPI。考虑到任何流行病学模型固有的时间延迟以及尤其是未受控流行病的指数级性质，我们发现此类前瞻策略能推断出良好符合所设约束的非平凡策略。利用SEIR和EpiCast两种不同的流行病学模型，我们在每日新增病例数受限且主要奖励为无限制状态的约束下，评估了所提算法以确定最优NPI策略。
引用
@article{arxiv.2010.08478,
title = {Machine Learning-Powered Mitigation Policy Optimization in Epidemiological Models},
author = {Jayaraman J. Thiagarajan and Peer-Timo Bremer and Rushil Anirudh and Timothy C. Germann and Sara Y. Del Valle and Frederick H. Streitz},
journal= {arXiv preprint arXiv:2010.08478},
year = {2020}
}