用于评估德国县级 COVID-19 风险的机器学习时空流行病学模型
物理与社会
2020-12-02 v1 机器学习
医学物理
摘要
随着 COVID-19 大流行持续肆虐全球，提供多层次及时的 COVID-19 风险预测具有关键意义。为实现此目标并评估公共卫生政策，我们开发了一个机器学习辅助框架，从感染数据中提取流行病动态，其中包含将空间元胞自动机（CA）与随时间变化的易感-未确诊-感染-移除（SUIR）模型相结合的县级时空流行病学模型。与现有时间风险预测模型相比，所提出的 CA-SUIR 模型向政府展示了县级多层次风险以及不同政策下的冠状病毒传播模式。这一新工具箱首次用于预测德国 412 个 Landkreis（县）的多层次 COVID-19 流行情况，包括提前 t 天风险预测与对出行限制政策的风险评估。作为一个实际说明，我们预测了圣诞节期间的情况，其中最坏死亡人数为 3.45 万，有效政策可将其控制在 2.1 万以下。这种可干预的评估系统可有助于在大流行中决策经济重启与公共卫生政策制定。
引用
@article{arxiv.2012.00082,
title = {Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk},
author = {Lingxiao Wang and Tian Xu and Till Hannes Stoecker and Horst Stoecker and Yin Jiang and Kai Zhou},
journal= {arXiv preprint arXiv:2012.00082},
year = {2020}
}
备注
17 pages, 13 figures, comments welcome!