A Comparison of Aggregation Methods for Probabilistic Forecasts of COVID-19 Mortality in the United States
2019冠状病毒病大流行将预测模型置于卫生政策制定的前沿。死亡率和住院率的预测有助于政府应对规划和资源分配的挑战。在本文中，我们考虑了美国国家和州一级COVID-19累积死亡率的每周预测。最优决策需要预测概率分布，而不仅仅是单点预测。间隔预测也很重要，因为它们可以支持决策并提供态势感知。我们考虑的情况下，概率预测已经提供了多个预测团队，我们汇总的预测，以提取群众的智慧。只有有限的信息，关于预测团队的历史准确性，我们认为聚合（即组合）的方法，不依赖于过去的准确性记录。在这篇实证论文中，我们评估了以前提出的用于区间预测和概率分布预测的聚合方法的准确性。这些方法包括使用简单平均、中位数和修整方法，这些方法可以实现稳健估计，并允许聚合预测减少预测团队信心不足或过度自信的趋势的影响。我们使用COVID-19 Forecast Hub公开提供的数据。虽然简单平均值在高死亡率系列中表现良好，但我们在低和中等死亡率系列中使用中位数和某些修剪方法获得了更高的准确性。随着大流行病的发展，这种情况是否仍然存在，这将是一个有趣的问题。
2020-08-20 stat.AP
A comparison of short-term probabilistic forecasts for the incidence of COVID-19 using mechanistic and statistical time series models
ETH Zurich（苏黎世联邦理工学院）；University of Bern（伯尔尼大学）；Imperial College London（伦敦帝国理工学院）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；National University of Singapore（新加坡国立大学）；National University Health System（国立大学医疗系统）；University of Copenhagen（哥本哈根大学）
本研究对比基于更新方程的机理模型与统计时间序列模型对美国六州新冠发病率的短期概率预测，发现统计模型预测准确性不低于机理模型且更能捕捉波动性，指出机理模型仍有其他应用价值。
2023-05-01 cs.LG q-bio.PE stat.AP
COVID-19: Estimating spread in Spain solving an inverse problem with a probabilistic model
我们引入了一个新的概率模型来估计新的SARS-CoV-2病毒沿地区或国家的实际传播。我们的模型根据概率模型通过逆问题模拟了群体中每个个体的行为;我们使用死亡率记录估计了康复和感染者的实际数量。此外，该模型是动态的，在这个意义上，它考虑到我们解决逆问题时引入的政策措施。在西班牙获得的结果具有特别的实际意义：在最坏的情况下，感染个体的数量可能比西班牙政府在4月$26$ $th$提供的数据高出$17$倍。假设统计数据中反映的死亡人数是正确的，在西班牙受影响最严重的地区之一马德里，$9.8$ %的人口可能受到病毒污染或已经从病毒中恢复过来。但是，如果我们假设死亡人数是官方数字的两倍，那么感染人数可能已经达到了$19.5\%$。在加利西亚，影响最小的地区之一，感染人数没有达到$2.5 \%$。根据我们的研究结果，我们可以：i）估计如果我们取消隔离，秋季之前新爆发的风险; ii）可以知道每个地区人口的免疫程度; iii）根据人口中感染或康复的人数预测或模拟未来将推出的政策的效果。
2020-05-03 q-bio.PE q-bio.QM stat.AP
Semiparametric Bayesian Inference for the Transmission Dynamics of COVID-19 with a State-Space Model
2019冠状病毒病（COVID-19）的爆发是一场持续的大流行病，影响超过200个国家和地区。对COVID-19传播动态的推断可以为了解疾病传播速度和缓解政策的影响提供重要见解。我们开发了一种新的贝叶斯方法来进行这种推断，该方法基于概率房室模型，使用每日确诊的COVID-19病例数据。特别是，我们考虑了经典的易感染-感染-恢复模型的概率扩展，该模型考虑了未记录的感染，并允许流行病学参数随时间变化。我们通过一个高斯过程先验估计疾病传播率，该过程捕获了随时间的非线性变化，而不需要特定的参数假设。我们利用并行回火马尔可夫链蒙特卡罗算法，有效地从高度相关的后验空间的样本。对未来观测的预测是通过从其后验预测分布中采样来完成的。所提出的方法的性能评估使用模拟数据集。最后，我们的方法应用于来自美国四个州的COVID-19数据：华盛顿州，纽约州，加利福尼亚州和伊利诺伊州。在https://github.com/tianjianzhou/BaySIR上提供了一个R包BaySIR，供公众进行独立分析或在本文中重现结果。
2020-07-02 q-bio.PE stat.AP stat.ME
Evaluating the Impact of COVID-19 Vaccination in the United Kingdom: A Gaussian Process Approach
Department of Statistics, London School of Economics（伦敦政治经济学院统计系）
本研究采用多输出高斯过程模型，结合中断时间序列分析和合成控制方法，评估英国加速疫苗接种及政策转变对COVID-19死亡率和传播动态的影响，发现死亡率显著降低但传播率变化不大。
2026-05-30 stat.AP stat.ME stat.ML
A Generalized Epidemiological Model for COVID-19 with Dynamic and Asymptomatic Population
在本文中，我们开发了一个扩展的标准流行病学模型，适用于COVID-19。这一扩展包括由于症状前或无症状的病毒携带者造成的传播。此外，这一模型还反映了由于人员往来于一个国家内不同行政边界而造成的疾病传播。该模型描述了由于（初期）人类传播和多个隔间的伴随影响，确诊病例数量的概率上升。模型中的相关参数可帮助设计公共卫生政策和大流行病的业务管理。例如，该模型表明，增加对有症状患者的检测对大流行的进展没有任何重大影响，但无症状人群的检测率发挥着极其关键的作用。该模型是使用获得的数据在印度共和国的恰蒂斯加尔邦。该模型被证明有显着更好的预测能力比其他流行病学模型。这种模式可以很容易地应用于任何行政边界（州或国家）。此外，该模型也适用于任何其他流行病。
2020-11-19 physics.soc-ph q-bio.PE stat.AP
A Probabilistic Domain-knowledge Framework for Nosocomial Infection Risk Estimation of Communicable Viral Diseases in Healthcare Personnel: A Case Study for COVID-19
医院获得性传染性病毒性疾病（CVD）感染对全球医护人员构成了巨大挑战。医疗保健人员（HCP）面临着医院获得性感染的持续风险，以及随后更高的发病率和死亡率。我们提出了一个领域知识驱动的感染风险模型来量化个人HCP和人口水平的医疗机构的风险。对于个体水平的风险估计，提出了一个时变的感染风险模型，以捕捉心血管疾病的传播动力学。在人群水平上，使用贝叶斯网络模型估计感染风险，该模型由三个特征集构成，包括个人水平因素、工程控制因素和行政控制因素。敏感性分析表明，个人感染风险的不确定性可归因于两个变量：密切接触者人数和病毒传播概率。利用冠状病毒病案例研究，在传播概率模型、个体水平风险模型和人群水平风险模型中实施了模型验证。关于第一个，多变量逻辑斯谛回归应用于英国的横断面数据，AIC值为7317.70，10倍交叉验证准确度为78.23%。对于第二个模型，我们收集了不同职业的实验室确诊的COVID-19 HCP病例。职业特异性风险评估表明，风险最高的职业是注册护士、医疗助理和呼吸治疗师，估计风险分别为0.0189、0.0188和0.0176。为了验证人口水平风险模型，估计了德克萨斯州和加利福尼亚州的感染风险。所提出的模型将显著影响HCP的PPE分配和安全计划
2021-11-05 eess.SP stat.AP
Individual-level Modeling of COVID-19 Epidemic Risk
持续的COVID-19大流行需要多方面的公共卫生应对措施，包括在开发疫苗和疗法的同时采取补充干预措施以控制疾病的传播。许多这些干预措施需要根据现有数据（包括症状、接触模式和环境因素）进行流行病风险预测。在这里，我们提出了一种新的概率形式主义的基础上的个人水平模型（ILM），提供了严格的公式，个人的感染概率，这可以通过极大似然估计（MLE）应用于在人口水平上定义的房室模型参数化。我们描述了一种方法，其中实时收集的个体数据与总体病例计数相结合，以更新作为个体风险因素函数的感染易感性预测因子。
2020-08-21 q-bio.PE stat.AP stat.CO
A Compartment Model of Human Mobility and Early Covid-19 Dynamics in NYC
在本文中，我们建立了一个机制系统，以了解纽约市内人员流动性减少与COVID-19传播动态之间的关系。为此，我们提出了一个多元隔室模型，该模型对疫情前90天内的智能手机移动数据和病例计数进行联合建模。参数校准是通过制定一个一般的贝叶斯分层模型，以提供不确定性量化的结果估计。开源概率编程语言Stan用于必要的计算。通过敏感性分析和样本外预测，我们发现我们的简单和可解释的模型提供的证据表明，减少人员流动改变了案件动态。
2021-06-22 stat.AP stat.ME
Forecasting COVID-19 daily cases using phone call data
随着疫情的发展，预测COVID-19相关变量的需求仍然迫切。已经做出了不同的努力，流行病学中的房室模型和统计模型，例如自回归积分移动平均（ARIMA）、指数平滑（ETS）或计算智能模型。在某些情况下，这些努力证明是有用的，使决策者能够在紧急情况下区分不同的情况，但其准确性令人失望，预测忽略了不确定性，对当地的关注较少。在这项研究中，我们提出了一个简单的多元线性回归模型，优化使用呼叫数据来预测每日确诊病例数。此外，我们还提供了一个概率预测，使决策者能够更好地处理风险。我们提出的方法优于ARIMA，ETS和回归模型没有调用数据，评估三个点的预测误差指标，一个预测区间和两个概率预测精度的措施。该模型的简单性，可解释性和可靠性，在一个仔细的预测工作，是一个有意义的贡献，决策者在地方一级谁迫切需要组织资源已经紧张的卫生服务。我们希望，这一模型将成为其他预测工作的基石，一方面将帮助地方一级的一线个人和决策者，另一方面将促进与国家一级正在进行的其他建模工作的沟通，以改善我们应对这一流行病和其他类似未来挑战的方式。
2020-10-05 cs.CY stat.AP
A Visual Modeling Method for Spatiotemporal and Multidimensional Features in Epidemiological Analysis: Applied COVID-19 Aggregated Datasets
本文提出基于画像的可视化建模方法 +msRNAer，融合疫情传播的时空特征与社区风险因素多维特征，并通过新南威尔士州 COVID-19 数据及用户研究验证其有效性。
2023-04-23 cs.GR stat.AP
Simulation-Based Inference for Global Health Decisions
University of Oxford（牛津大学）；Imperial College London（伦敦帝国学院）
2019冠状病毒病大流行凸显了计算机流行病学建模在预测传染病动态方面的重要性，从而为卫生政策制定者和决策者提供有关适当预防和遏制策略的信息。在这种情况下的工作涉及解决具有挑战性的推理和控制问题，在不断增加的复杂性基于个人的模型。在这里，我们讨论了机器学习领域的最新突破，特别是在基于模拟的推理方面，并探索其作为模型校准新场所的潜力，以支持公共卫生干预措施的设计和评估。为了进一步刺激研究，我们正在开发软件接口，将COVID-19和疟疾流行病学模型COVID-sim（https：//github.com/mrc-ide/covid-sim/）和OpenMalaria（https：//github.com/SwissTPH/openmalaria）转化为概率程序，从而在这些模拟器中实现高效的可解释贝叶斯推理。
2020-05-14 cs.LG stat.AP stat.ML
Modeling Virus Transmission Risks in Commuting with Emerging Mobility Services: A Case Study of COVID-19
通勤是日常生活的重要组成部分。随着COVID-19疫情逐渐复苏，越来越多的人从办公室返回工作岗位，COVID-19在通勤期间的传播成为一个问题。最近新兴的移动服务（如乘车和自行车共享）进一步加剧了旅行期间共享车辆或空间的感染风险。因此，量化通勤中的感染风险非常重要。本文提出了一个概率框架，以估计在个人的通勤考虑不同的出行方式，包括公共交通，乘车共享，自行车和步行的感染风险。目的是评估感染概率以及估计误差（即，不确定性量化）给定起点-目的地（OD）、出发时间和行进模式。我们首先定义了一个通用的行程规划函数，根据OD，出发时间和出行方式生成行程轨迹和选择不同路径的概率。然后，我们考虑两种感染途径：1）通过密切接触感染，2）通过接触表面感染。感染风险是按行程段计算的。不同的数据来源（如智能卡数据、旅行调查和人口数据）用于估计个人和传染性环境之间的潜在相互作用。该模型是在麻省理工学院社区实施的案例研究。我们评估员工和学生的通勤感染风险。结果表明，大多数个体的感染概率接近于零。最大感染概率在0.8%左右，意味着在通勤过程中被感染的概率很低。旅行距离较大、在途中旅行、在高峰时段旅行的个人更容易感染。
2023-01-06 stat.AP
OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany
Heidelberg University（海德堡大学）；Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院与北京协和医学院）；University Hospital Bonn（波恩大学医院）；University Hospital Heidelberg（海德堡大学医院）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Africa Health Research Institute（非洲健康研究所）
流行病学中的数学模型是确定传染病动态和重要特征的不可或缺的工具。除了它们的科学价值外，这些模型还经常被用来为正在发生的疫情期间的政治决策和干预措施提供信息。然而，通过将复杂的模型与真实数据连接起来来可靠地推断正在进行的疫情动态仍然很困难，并且需要费力的手动参数拟合或昂贵的优化方法，这些方法必须从头开始重复给定模型的每次应用。在这项工作中，我们解决这个问题的流行病学建模与专门的神经网络的新组合。我们的方法需要两个计算阶段：在初始训练阶段，描述流行病的数学模型被用作神经网络的教练，该网络获得有关所有可能的疾病动态的全局知识。在随后的推理阶段，训练好的神经网络处理实际爆发的观测数据并推断模型的参数，以便真实地再现观测到的动态并可靠地预测未来的进展。由于其灵活的框架，我们的基于模拟的方法适用于各种流行病学模型。此外，由于我们的方法是完全贝叶斯，它的目的是将所有可用的先验知识合理的参数值和返回完整的联合后验分布这些参数。将我们的方法应用于德国新冠肺炎疫情早期阶段表明，我们能够使用非常少量的真实世界观察结果获得重要疾病特征的可靠概率估计，例如世代时间、未检测到的感染比例、症状出现前的传播可能性以及报告延迟。
2021-11-02 cs.LG q-bio.PE stat.AP
Modeling COVID-19 optimal testing strategies in long-term care facilities: An optimization-based approach
长期护理设施受到COVID-19疫情的广泛影响。由于受感染的老年人死亡风险较高，养老院特别脆弱。一旦爆发疫情，抑制病毒在养老院的传播具有挑战性，因为居民相互接触，隔离措施无法广泛执行。另一方面，定期检测策略已被证明可以有效预防养老院的疫情爆发。然而，高频率的检测可能会消耗大量的工作人员的工作时间，这导致在检测投入的时间和为居民提供基本护理所花费的时间之间的权衡。因此，制定最佳检测策略对于主动检测感染至关重要，同时保证有效利用这些设施中有限的工作人员时间。尽管已经做出了许多努力来防止病毒在长期护理设施中传播，但这是第一项基于正式最优化方法开发测试策略的研究。提出了两种新的测试进度最优化模型。这些模型旨在最大限度地减少养老院的感染风险，同时考虑到感染概率和工作人员工作量之间的权衡。我们采用概率方法结合最优化模型，计算感染风险，包括接触率，发病状况，和居民的感染概率。为了求解模型，我们提出了一种增强的局部搜索算法，利用对称性的最优解。我们进行了几个实验与现实大小的实例，并表明所提出的方法可以得到最佳的测试策略。
2022-04-05 math.OC math.PR stat.AP
The Zoltar forecast archive: a tool to facilitate standardization and storage of interdisciplinary prediction research
预测已成为一个重要组成部分，知情，数据驱动的决策在一系列广泛的领域。我们引入了一种新的数据模型，用于概率预测，包括广泛的预测设置。该框架明确定义了概率预测的组成部分，并提出了一种表示这些数据元素的方法。数据模型在Zoltar中实现，Zoltar是一种新的软件应用程序，使用数据模型存储预测，并提供标准化的API访问数据。在一个实时案例研究中，Zoltar Web应用程序的一个实例用于存储、访问和评估$^7$ 10行左右的实时预测数据，这些数据由来自学术界和工业界的20多个国际研究团队提供，对美国的COVID-19疫情进行预测。概率预测的工具和数据基础设施，如本文介绍的工具和数据基础设施，将在确保未来的预测研究遵守一套严格和可重复的标准方面发挥越来越重要的作用。
2020-06-06 stat.AP
