关于流行病学模型的参数化——来自 COVID-19 流行病建模的启示
种群与进化
2021-09-27 v1 最优化与控制
应用统计
统计计算
摘要
过去提出了大量 SARS-CoV-2 大流行的预测模型。预测性能不仅取决于模型的结构与特征，也取决于其参数化。官方数据库常因病例报告滞后、检测政策变动或数据不完整而存在偏差。此外，模型参数化是时间依赖的，例如由于年龄结构变化、新出现的病毒变异株、非药物干预及持续疫苗接种计划。为涵盖这些方面，我们开发了一种原则性方法，通过将模型结构作为隐藏层嵌入通用输入输出非线性动力系统（IO-NLDS）来参数化不同复杂度的 SIR 型流行病学模型。未显式建模的对系统的影响被作为系统输入施加。可观测数据通过考虑数据可能偏差的适当数据模型耦合至模型隐藏状态。我们通过贝叶斯知识综合过程估计模型参数及其时间依赖性，将外部研究导出的参数范围作为先验信息。我们将此方法应用于 SIR 型模型及德国和萨克森的数据，展现出良好的预测性能。借助我们的方法，可估计并比较例如非药物干预的相对有效性，并可在特定条件下提供疫情未来进程的情景。我们的参数估计方法可迁移至其他数据集，即其他国家和其他 SIR 型模型，甚至其他疾病的背景。
引用
@article{arxiv.2109.11916,
title = {On the parametrization of epidemiologic models -- lessons from modelling COVID-19 epidemic},
author = {Yuri Kheifetz and Holger Kirsten and Markus Scholz},
journal= {arXiv preprint arXiv:2109.11916},
year = {2021}
}
备注
The main manuscript is followed by the Supporting Information