基于Richards曲线参数的元投影对COVID-19暴发严重程度的定性与定量评估

研究者已表明，即便源自生物生长建模的简单经验模型，也有潜力提供关于正在发生的流行病的发展与严重程度的有用信息，因为它们可用作对受影响人群规模、拐点时机以及最好与最坏情形进行投影的工具。然而，它们通常对某些输入参数的方差表现出相当的敏感性，导致所生成投影出现大幅波动，从而使预测困难甚至危险。在本工作中，我们考察一种新颖的基于元投影的方法，其使我们能够评估模型当前趋势，并判断所生成的投影处于瞬态还是稳态。元投影可从模型参数 successive 估计值及所得投影在逐日加入所用模型的序列上的图形中提取。换言之，投影是在累积确诊病例数的截断时间序列上进行的，每次 successive 评估时长度递增。这使我们能够追踪一定时期内模型参数的值并考察其趋势：对于已稳定增长的案例，趋势可能收敛于特定值；而对于经历流行病学转变和/或当前模型实例不适当描述的案例，则表现出变化甚至无序行为。我们计算了元投影，并将我们对处于不同流行病阶段、具有稳定或不稳定行为以及确诊病例数增减不一的国家的发现进行了比较。我们的结果表明，元投影可协助研究者评估其相关模型的适用性，从而有效降低其对流行病严重程度与发展的估计中的不确定性。