Mantis：一种用于机制性疾病预测的基础模型

在新发疫情或资源匮乏环境中，传染病预测受到对大规模疾病和协变量数据集、定制化训练以及专家调优需求的阻碍，所有这些都可能阻碍为新环境快速生成预测。为应对这些挑战，我们开发了 Mantis，一个完全基于机制模拟训练的基础模型，即使在历史数据有限的环境中，也能实现跨疾病、区域和结果的即用型预测。我们在十六种具有不同传播方式的疾病上，将 Mantis 与 78 个预测模型进行了评估，同时评估了点预测准确性（平均绝对误差）和概率性能（加权区间得分和覆盖率）。尽管在训练期间未使用任何真实世界数据，但在对早期疫情预测进行回测时，Mantis 取得的平均绝对误差低于 CDC COVID-19 预测中心的所有模型。在所有其他测试疾病中，Mantis 在各项评估指标上始终位列前两名模型。Mantis 进一步泛化到其训练数据中未包含的传播机制的疾病，表明它能够捕捉基本的传染动力学，而非记忆疾病特定的模式。这些能力表明，像 Mantis 这样纯粹基于模拟的基础模型可以为疾病预测提供实用基础：通用、准确，并且可在传统模型难以胜任的地方部署。