以密度依赖的无症状感染与社会强化建模随时间演化的 COVID-19 不确定性
机器学习
2022-04-06 v2 机器学习
种群与进化
摘要
COVID-19 大流行在建模其复杂的疫情传播、感染与传染方面带来了重大挑战，这些过程与已知传染病大不相同。量化 COVID-19 复杂性的挑战在于有效建模其过程与数据不确定性。这些不确定性隐含于高比例的未记录感染、无症状传染、感染的社会强化以及报告数据中的各类质量问题中。在 COVID-19 大流行的前两个月，当相关知识、病例报告与检测均有限时，这些不确定性尤为明显。本文引入一种新颖的混合方法——易感-未记录感染-记录感染-移除（SUDR）模型。首先，SUDR（1）刻画并区分了 COVID-19 潜伏期与无症状感染中常见的未记录（U）与记录（D）感染。其次，SUDR 通过捕捉外生过程来刻画感染的概率密度。最后，SUDR 通过将贝叶斯推断纳入 SUDR，近似 COVID-19 患病率随时间的密度似然。与现有 COVID-19 模型不同，SUDR 刻画了未知传播过程中的未记录感染。为捕捉 COVID-19 传染中时间传播与社会强化的不确定性，传播率由未记录感染病例的时变密度函数建模。通过对具有合理先验的平均场后验分布采样，SUDR 处理了公共 COVID-19 病例数据中广泛存在的随机性、噪声与稀疏性。结果表明，与经典 SIR、时变 SIR 及概率 SIR 模型相比，对前述不确定性获得了更深度的定量理解。
引用
@article{arxiv.2108.10029,
title = {Modeling time evolving COVID-19 uncertainties with density dependent asymptomatic infections and social reinforcement},
author = {Qing Liu and Longbing Cao},
journal= {arXiv preprint arXiv:2108.10029},
year = {2022}
}