现象增长模型的结构与实际可辨识性：用于流行病预测

现象模型是利用真实数据预测疾病动力学高度有效的工具，尤其是在疾病机制细节知识有限的情景下。然而，其可靠性取决于模型参数的结构可辨识性和实际可辨识性。本研究系统性地分析了六种常用流行病学中的增长模型的可辨识性：广义增长模型、广义逻辑模型、Richards模型、广义Richards模型、Gompertz模型以及带非均匀混合的修正SEIR模型。为解决这些模型中非整数幂指数的挑战，我们通过引入额外的状态变量对其进行重新表述。这使得能够使用JULIA中的StructuralIdentifiability.jl包进行严格的结构可辨识性分析。我们通过对GrowthPredict MATLAB工具箱进行参数估计和预测来验证结构可辨识性结果。该工具箱设计用于基于现象增长模型拟合和预测时间序列轨迹。我们将其应用于三个流行病学数据集：单脂瘤、COVID-19和埃博拉的每周发病数据。此外，我们通过蒙特卡罗模拟评估实际可辨识性，以评估在不同观测噪声水平下参数估计的鲁棒性。我们的结果确认，在所提出的重新表述下，这六种模型都是结构可辨识的。此外，实际可辨识性分析显示，尽管灵敏度因模型和数据集而异，但参数估计在不同噪声水平下仍保持稳健。这为理解现象模型在特征流行病轨迹方面的优势与局限性提供了关键见解，强调其适应现实世界挑战的能力以及其在制定公共卫生干预措施方面的作用。