用于及时发现 COVID-19 疫情暴发的小区域病例增长率估计
机器学习
2026-05-14 v2 机器学习
物理与社会
摘要
COVID-19 大流行对全球经济产生了深远影响,并持续严重威胁人类生命。COVID-19 病例增长率是估计和监测的关键流行病学参数,对于有效发现与遏制疫情反弹至关重要。增长率估计乃至疫情暴发检测中的一个根本性挑战在于平衡精度—速度之间的权衡,因为拟合窗口越短,精度通常越低。本文提出一种迁移学习框架,称为迁移学习随机森林(TLRF),用于有效实现随机森林算法,从而平衡这一精度—速度权衡。具体而言,我们开发了一种识别策略,将增长率估计问题转化为回归任务,借助随机森林的自适应加权机制,实现跨空间与时间的有效迁移学习。因此,TLRF 能够基于影响疾病传播的相关日级与县级特征自适应地选择拟合窗口大小,从而为样本量较小的县准确估计病例增长率。样本外预测分析表明,TLRF 优于既有的增长率估计方法。此外,我们基于美国科罗拉多州的疫情暴发病例数据开展了案例研究,结果显示,与科罗拉多州卫生与环境部(CDPHE)的决策相比,TLRF 可将疫情暴发的及时检测能力提升高达 224%。为展示实际应用,我们开发了一款公开可用的疫情暴发检测工具,该工具于 2020 年 9 月至 2023 年 3 月期间运行,获得了来自全美 50 个州政策制定者的广泛关注。
引用
@article{arxiv.2312.04110,
title = {Small Area Estimation of Case Growths for Timely COVID-19 Outbreak Detection},
author = {Zhaowei She and Zilong Wang and Jagpreet Chhatwal and Turgay Ayer},
journal= {arXiv preprint arXiv:2312.04110},
year = {2026}
}
备注
Equal contributions by co-first authors Zhaowei She, Zilong Wang (in alphabetical order)