基于检测、病例、死亡与血清阳性率数据的SARS-CoV-2传播半参数建模

拟合流式监测数据的机制模型对于实时理解疫情暴发过程中的传播动态至关重要。然而，由于监测数据存在噪声且无法为机制模型的各个方面提供信息，传播模型参数估计可能不精确，有时甚至不可能实现。为部分克服这一障碍，已有研究提出贝叶斯模型以整合多路监测数据流。我们设计了一种整合SARS-CoV-2诊断检测与死亡时间序列数据，以及横断面研究血清阳性率数据的建模框架，并检验了各单独数据流在推断与预测中的重要性。重要的是，我们的发病数据模型考虑了检测总数的变化。我们将传播率、感染致死比，以及一个控制真实病例发病数与阳性检测比例之间函数关系的参数建模为时变量，并以非参数方式估计这些参数的变化。我们将基础模型与不使用诊断检测计数或血清阳性率数据的改进版本进行比较，以证明纳入这些常被忽略的数据流的价值。我们将该贝叶斯数据整合方法应用于2020年3月至2021年2月加利福尼亚州奥兰治县收集的COVID-19监测数据，发现截至2021年1月中旬，32%–72%的奥兰治县居民曾感染SARS-CoV-2。尽管感染人数众多，我们的结果表明2021年1月冬季高峰的 abrupt 结束归因于行为改变与高水平累积自然免疫的共同作用。