Simpson's paradox in Covid-19 case fatality rates: a mediation analysis of age-related causal effects
我们指出辛普森悖论在新冠肺炎病死率（CFR）中的一个实例：将中国的一项大规模研究（2月17日）与意大利的早期报告（3月9日）进行比较，我们发现意大利每个年龄组的CFR都较低，但总体较高。这一现象的原因是两国人口统计学上的明显差异。以此为例，我们介绍了中介分析的基本概念，并展示了当假设一个涉及国家、年龄和病死率的粗粒度因果图时，这些概念如何用于量化不同的直接和间接影响。我们策划了一个年龄分层的CFR数据集，其中包含超过75万例病例，并进行了一项案例研究，调查了不同国家和不同时间点之间的总的、直接的和间接的（年龄介导的）因果效应。这使我们能够将与年龄相关的影响与其他与年龄无关的影响分开，并有助于更透明地比较处于COVID-19大流行不同阶段的国家的CFR。使用意大利的纵向数据，我们发现3月中旬的直接因果效应出现了符号反转，这与该国部分地区报告的医疗保健系统崩溃在时间上一致。此外，我们发现，132对国家的直接和间接影响只有微弱的相关性，这表明一个国家的政策和病例人口统计可能在很大程度上是无关的。我们指出了未来工作的局限性和扩展，最后，讨论了因果推理在使用人工智能对抗新冠肺炎大流行的更广泛背景下的作用。
2021-06-23 stat.AP stat.ME
Unpacking the Drop in COVID-19 Case Fatality Rates: A Study of National and Florida Line-Level Data
自COVID-19疫情首次抵达美国以来，病死率急剧下降。已经提出了几种可能的解释，包括由于扩大测试而更多地检测到轻度病例，感染者年龄分布的变化，确诊病例和报告死亡之间的滞后，治疗的改善，病毒的突变以及戴口罩导致的病毒载量下降。使用佛罗里达州的线级数据和最近发布的（但不完整的）2020年4月1日至2020年11月1日的国家线级数据，关于病例，住院和死亡-每个按年龄分层-我们解开了病死率（CFR）的下降。在治疗效果的改善应该与住院病死率（HFR）的下降相对应的假设下，我们发现国家数据的改善并不总是与佛罗里达州数据所讲述的故事相匹配。在国家数据中，第一波和第二波之间的治疗改善似乎很大，但与总病死率的下降相比是适度的。相比之下，可能是由于第二个更大的高峰资源有限，佛罗里达州的数据表明，第一波和第二波之间的差异相对较小，每个年龄组的HFR略有增加。然而，到11月1日，佛罗里达州和国家的数据都表明，自4月1日以来，年龄分层的HFR显着下降。通过考虑几个混杂因素，我们的分析显示了年龄分层的HFR如何比CFR提供更真实的治疗改善情况。我们的分析的一个关键限制是，国家线级数据仍然不完整，并受到人为因素的困扰。我们的分析强调了这些数据可以发挥的关键作用，但也迫切需要所有州的病例，住院和死亡的公共，完整和高质量的年龄分层线级数据。
2020-12-11 stat.AP
Estimating effective infection fatality rates during the course of the COVID-19 pandemic in Germany
2019冠状病毒病（COVID-19）的感染死亡率（IFR）是该流行病背景下讨论最多的数字之一。本研究使用德国COVID-19监测数据和多项国际研究中针对特定年龄组的IFR估计值，研究了大流行期间有效IFR随时间的变化。提出了估计（有效）国际财务报告准则的三种不同方法：（a）基于感染风险与年龄和时间无关的假设的人口平均国际财务报告准则;（b）基于确诊病例的年龄分布大致反映感染个体的年龄分布的假设的有效国际财务报告准则;（c）考虑到与年龄和时间相关的感染暗值的有效国际财务报告准则。结果显示，德国的有效IFR估计会随着时间的推移而变化，因为确诊病例和估计感染的年龄分布在大流行期间正在发生变化。特别是在2020年春季和秋冬季的第一波和第二波感染期间，确诊病例的年龄分布明显向年龄更大的人群转移，导致IFR的有效估计值更大。第一波期间有效IFR的暂时增加估计较小，但在调整年龄和时间依赖性暗值时仍然存在。有效IFR与观察到的CFR的比较表明，观察到的死亡率随时间变化的很大一部分可以用感染年龄分布的变化来解释。此外，在第一次感染波之后，有效IFR和观察到的CFRs之间的差距明显消失，而在第二次感染波期间可以观察到适度增加的差距。进一步的研究是必要的，以获得及时的年龄分层IFR估计。
2021-01-21 q-bio.PE stat.AP
COVID-19 in a social reinsurance framework: Forewarned is forearmed
COVID-19引发的危机暴露了全球应对疫情影响的准备不足。本文对中国COVID-19疫情相关数据进行了统计分析，特别是湖北省的感染速度、死亡率和病死率。通过拟合这些量的分布，我们设计了一个参数再保险合同，其触发和上限是基于概率分布的传染速度，死亡率和死亡率。特别是，拟合分布的感染速度和死亡率，我们提供了一个衡量的有效性，一个国家的行动在流行病期间，并建议再保险合同作为补充，以国家的社会保险，以减轻财务成本。
2020-04-09 stat.AP
Analyzing the Data of COVID-19 with Quasi-Distribution Fitting Based on Piecewise B-spline Curves
针对2019冠状病毒病（COVID-19）全球大流行，基于分段拟均匀B样条曲线，提出了一种新的拟合方法（QDF，quasi-distribution fitting），可用于分析COVID-19数据。对于任何给定的国家或地区，它使用分段准均匀B样条曲线模拟COVID-19每日确诊病例（或其他数据，包括每日康复病例和每日死亡病例）的分布直方图数据。通过面积归一化处理，将拟合曲线视为一种概率密度函数（PDF），其数学期望和方差可用于分析冠状病毒大流行的态势。基于某些国家数据的数值实验表明，QDF方法展示了给定国家或地区COVID-19数据的内在特征，并且由于本文使用的数据间隔超过一年（500天），揭示了冠状病毒经过多波传播后，病死率明显下降的事实，结果表明，该评价方法是有效可行的。
2021-10-26 stat.AP
Real-time forecasts and risk assessment of novel coronavirus (COVID-19) cases: A data-driven analysis
2019冠状病毒病（COVID-19）已成为国际关注的突发公共卫生事件，影响全球201个国家和地区。截至2020年4月4日，它已导致大流行爆发，全球确诊感染超过11，16，643例，报告死亡超过59，170例。本文件的主要重点有两个方面：（a）对多个国家未来COVID-19病例进行短期（实时）预测;（b）通过发现国家的各种重要人口特征以及一些疾病特征，对一些受影响严重的国家的新型COVID-19进行风险评估（就病死率而言）。为了解决第一个问题，我们提出了一种基于自回归综合移动平均模型和基于小波的预测模型的混合方法，该方法可以对加拿大、法国、印度、韩国和英国的每日确诊病例数进行短期（提前10天）预测。对不同国家未来疫情的预测将有助于有效分配卫生保健资源，并将作为政府决策者的预警系统。在第二个问题中，我们应用了最优回归树算法来寻找显著影响不同国家病死率的基本因果变量。这种数据驱动的分析必然会为50个受严重影响国家的早期风险评估研究提供深入的见解。
2020-04-09 stat.AP
COVID-19 Susceptibility, Mortality and Length of Hospitalization based on Age-Sex Composition: Insights for Intervention and Stratification
冠状病毒病（COVID-19）已在全球蔓延，对社会造成前所未有的影响。在菲律宾，已实施若干干预措施，例如限制不同年龄组的流动性和疫苗接种优先计划，以减少感染和死亡的风险。本研究的目的是确定年龄-性别组成的易感性更大，住院时间更长，病死率更高。分析了菲律宾达沃地区卫生部提供的2020年3月至2021年4月的COVID-19病例。采用卡方检验确定年龄-性别构成中COVID-19病例比例的差异。采用\c{hi} 2检测残差的相关图研究敏感性差异。采用箱形图和Kruskal-Wallis检验比较住院时间。研究发现，年龄-性别构成之间的COVID-19易感性存在显著差异（p < 0.01）。男性儿童和女性老年人是最易感的年龄性别组成。此外，老年人的住院天数最长，其中男性的中位数和IQR天数为19（15-27），女性为18（16-29）。男性老年人病死率最高（21.4%，P < 0.01）。建议将老年人的病例数作为省和地区一级规划和分配医疗资源的投入。该地区的地方政府单位行政人员亦可利用年龄性别组成数据对地区进行分层、规划、分配COVID-19相关资源及实施流动限制。
2023-02-09 q-bio.QM stat.AP
Estimating the COVID-19 Infection Rate: Anatomy of an Inference Problem
由于感染检测数据缺失和检测准确性不高，报告的SARS CoV-2病毒人群感染率低于实际感染率。因此，报告的以感染为条件的严重疾病比率高于实际比率。由于缺乏可信和翔实的感染率界限，理解COVID-19大流行的时间路径受到阻碍。本文解释了逻辑问题的边界这些利率和报告说明性的发现，使用来自伊利诺伊州，纽约州和意大利的数据。我们将这些数据与未检测人群的感染率以及在当前背景下可信的检测准确性的假设相结合。我们发现感染率可能比报告的要高得多。我们还发现，意大利的感染死亡率大大低于报告的水平。
2020-04-13 econ.EM stat.AP stat.OT
Bounding Infection Prevalence by Bounding Selectivity and Accuracy of Tests: With Application to Early COVID-19
本文提出利用检测准确性与检测选择性约束构建感染率的部分识别界，并在COVID-19早期数据上表明其可有效推断意大利感染病死率高于流感。
2021-01-27 econ.EM stat.AP
Estimating Epidemic Rate Parameters: Adaptivity, Bias, and Convolution
University of California, Berkeley（加州大学伯克利分校）
该研究探讨了病死率、再生数等流行病关键指标的实时估计问题，指出其受数据可用性及指标随疫情变化的影响，为优化估计方法提供研究基础。
2026-08-12 stat.AP
Analyzing Factors Associated with Fatal Road Crashes: A Machine Learning Approach
道路交通伤害在全球造成巨大的人力和经济负担。了解导致致命伤害的风险因素至关重要。在这项研究中，我们提出了一个模型，采用混合集成机器学习分类器结构从顺序最小优化和决策树，以确定危险因素，导致致命的道路伤害。该模型的构建，训练，测试和验证使用黎巴嫩道路事故平台（LRAP）数据库的8482道路碰撞事故，死亡率作为结果变量。采用敏感性分析研究多因素对死亡率的影响。七个选定的独立变量与死亡率的发生，即，碰撞类型，受伤严重程度，空间集群ID，碰撞时间（小时）。从模型数据分析中获得的证据将被政策制定者和主要利益攸关方采用，以深入了解与致命道路碰撞相关的主要促成因素，并将知识转化为安全方案和强化的道路政策。
2020-06-11 stat.AP stat.OT
From SIR to SEAIRD: a novel data-driven modeling approach based on the Grey-box System Theory to predict the dynamics of COVID-19
Univ. Lille（里尔大学）
COVID-19的常见房室模型基于先验知识和许多假设。此外，它们没有系统地纳入无症状病例。我们的研究旨在为数据驱动的方法提供一个框架，通过利用灰箱系统理论或灰箱识别的优势，以其在部分，不完整或不确定数据下解决问题的鲁棒性而闻名。从一个开放源数据库中提取的确诊病例和死亡病例的经验数据被用于开发SEAIRD分区模型。已作出调整，以配合当前对COVID-19行为的了解。使用常微分方程求解器和优化工具实现和求解该模型。应用交叉验证技术，计算决定系数$R^2$，以评价模型的拟合优度。%的数据。最后估计了关键的流行病学参数，为SEAIRD模型的构建提供了理论依据。当适用于巴西的情况下，SEAIRD产生了一个很好的协议的数据，与%系数的决定$R^2$ $\geq 90\%$。COVID-19传播的概率普遍较高（$\geq 95\%$）。根据20天的建模数据，巴西和法国的COVID-19发病率低至每10万暴露者3例感染病例。在同一时间段内，COVID-19的致死率在法国最高（16. 4\%），其次是巴西（6. 9\%），俄罗斯最低（$\leq 1\%$）。SEAIRD代表了在动态稳定阶段建模传染病的资产，特别是对于病理生理学知识非常有限的新病毒。
2021-05-29 cs.LG stat.AP
Real-time Prediction of COVID-19 related Mortality using Electronic Health Records
F. Hoffmann-La Roche Ltd（罗氏制药公司）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）；John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院）；Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院贝斯以色列女执事医疗中心）；MIT Critical Data, Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Harvard-MIT Health Sciences & Technology（哈佛-麻省理工健康科学与技术研究所医学工程与科学研究所计算生理学实验室MIT关键数据）；University Hospital of Tübingen（蒂宾根大学医院）；Kantonsspital Winterthur（温特图尔州立医院）
2019冠状病毒病（COVID-19）是一种由严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）引起的新型呼吸道疾病，具有快速的人际传播和高病死率，尤其是在老年患者中。由于感染的指数增长，世界各地的许多医疗保健系统都面临着照顾越来越多的高危患者的压力。鉴于感染患者人数众多，及早识别死亡风险最高的患者对于有效干预和优化护理优先级至关重要。在这里，我们介绍了COVID-19早期预警系统（CovEWS），这是一种用于评估COVID-19相关死亡风险的临床风险评分系统。CovEWS可提前192小时（8天）为个体患者提供具有临床意义的预测性能的连续实时风险评分，并使用机器学习从患者的电子健康记录（EHR）中自动导出。我们使用来自美国（US）、澳大利亚、马来西亚和印度超过69家医疗机构的66430名COVID-19阳性患者队列的去识别数据对CovEWS进行了培训和评估，总计超过2863年的患者观察时间。在5005例患者的外部测试队列中，CovEWS预测了$78.8\%$的COVID-19相关死亡率（$95\%$置信区间[CI]：$76.0$，$84.7\%$）至$69.4\%$（$95\%$ CI：$57.6, 75.2\%$）特异性，在观察到的死亡事件前1至192小时之间的灵敏度大于$95\%$-显著优于现有的通用和COVID-1，19个特定临床风险评分。CovEWS可以使临床医生在早期…
2020-08-31 cs.LG q-bio.QM stat.AP
PoPStat-COVID19: Leveraging Population Pyramids to Quantify Demographic Vulnerability to COVID-19
University of Peradeniya（佩拉德尼亚大学）；University of Ruhuna（鲁胡纳大学）；Queensland University of Technology（昆士兰科技大学）
PoPStat-COVID19 通过人口金字塔分析，量化 COVID-19 对人口的脆弱性，优于传统指标。
2025-10-30 cs.IT math.IT stat.AP
Understanding Complex Patterns in Social, Geographic, and Economic Inequities in COVID-19 Mortality at the County Level in the US Using Generalized Additive Models
我介绍了广义可加模型（GAM）在美国COVID-19死亡率中的三种应用，目的是改进方法，以记录在大流行的前三年特定时间内社区遭受不成比例的COVID-19死亡率的不公平性。首先，GAM可用于描述COVID-19死亡率与县级协变量（社会人口统计、经济和政治指标）之间随时间变化的关系。其次，GAM可用于执行时空平滑，其汇集随时间和空间的信息，以解决由于小的人口计数或随机性而导致的统计不稳定性，从而产生平滑的动态潜在风险表面，该表面概括随时间与地理位置相关联的死亡率风险。第三，以平稳的时空风险曲面为条件，估计COVID-19死亡率与县级协变量的关联，可以更严格地考虑社会环境背景和政策可能如何影响COVID-19死亡率。这些方法中的每一种都为记录COVID-19死亡率的不平等提供了有价值的视角，通过解决哪些人群遭受了COVID-19死亡率的最严重负担的问题，同时考虑到疾病的非线性空间，时间和社会模式。
2022-11-29 stat.AP
Estimating the severity of COVID-19 Omicron Variant in USA, India, Brazil, France, Germany and UK
这项工作通过同时拟合美国、印度、巴西、法国、德国和英国的确诊病例和死亡病例，评估了COVID-19 Omicron变异体在病死率（CFR）和相应不确定区间方面的严重程度。在最小二乘法的框架下，结合蒙特卡罗模拟和基于Gompertz函数的分析方法计算CFR，并假设死亡可以通过确诊病例与常见伽马函数的卷积来描述，以描述病例至死亡的时间。拟合中包括病例和死亡的线性背景，以解释Omicron峰值内其他菌株的贡献。拟合包括125和113流行病学周，病例和死亡分别为64个参数，导致174个自由度的卡方系数为176.5（p = 0.434）。美国、印度、巴西、法国、德国和英国的CFR和95%置信区间为0.295（0.154-0.436）%、0.232（0.134-0.331）%、0.49（0.27-0.71）%、0.056（0.028-0.084）%、0.129（0.074-0.184）%和0.168（0.107-0.229）%。病例至死亡的时间段通过一个常见的伽马函数进行了令人满意的描述，平均值为15.71 +/- 0.55天，变异系数为0.354 +/- 0.070。拟议的计算方法提供了有关各CFR和病例至死亡时间段的准确可靠信息，后者与以前在大流行早期阶段对症状发作至死亡时间段的估计一致。由此获得的CFR远低于文献中先前的测量值，这表明后者可能被高估了，因为在通常突出的Omicron峰下，…
2023-02-20 physics.soc-ph q-bio.PE stat.AP
Estimating functional parameters for understanding the impact of weather and government interventions on COVID-19 outbreak
随着2019冠状病毒病（COVID-19）对全球公共卫生和经济产生深远影响，评估对病毒传播的影响并制定有效策略应对挑战变得至关重要。提出了一个新的统计模型，该模型由SIR流行病模型衍生而来，带有函数参数，用于了解在美国8个大都市地区出现无症状感染者的情况下，天气和政府干预对病毒传播的影响。该模型采用高斯过程先验的贝叶斯推断对功能参数进行非参数化研究，并采用敏感性分析研究这些因素的主效应和交互效应。该分析揭示了几个重要的结果，包括天气和政府干预之间的潜在互动效应，为政策制定者缓解COVID-19疫情的有效策略提供了新的启示。
2022-05-10 stat.AP stat.ME
Understanding the leading indicators of hospital admissions from COVID-19 across successive waves in the UK
该研究评估英国多源症状监测数据对 COVID-19 入院人数的领先预测作用，发现 Google Trends 与 NHS 查询在精细空间尺度上表现较稳定。
2023-08-16 stat.AP
Understanding the dynamic impact of COVID-19 through competing risk modeling with bivariate varying coefficients
2019冠状病毒病（COVID-19）大流行对依赖肾透析维持生命的终末期肾病患者产生了深远的影响。应美国医疗保险和医疗补助服务中心的要求，我们对2020年出院后再入院和死亡人数的分析显示，COVID-19的影响随着出院后时间和疫情爆发后时间的不同而存在显著差异。然而，COVID-19影响轨迹的复杂动态无法通过现有的变系数模型来表征。为了解决这个问题，我们提出了一个在特定原因危害框架内的竞争风险的双变量变系数模型，其中张量积B样条用于估计COVID-19效应的表面。开发了一种高效的近端牛顿算法，以促进新模型与透析患者的大量医疗保险数据的拟合。引入基于差分的各向异性惩罚来减轻模型过拟合和估计轨迹的摆动;在确定最佳调整参数时考虑了各种交叉验证方法。假设检验程序旨在检查COVID-19的影响是否随出院后时间和大流行爆发后的时间而显著变化，无论是共同还是单独。仿真实验进行评估的估计精度，第一类错误率，统计功效，和模型选择程序。医疗透析患者的应用程序证明了所提出的方法的真实世界的性能。
2022-09-01 stat.AP stat.ME
Non-Stationary Time Series Model for Station Based Subway Ridership During Covid-19 Pandemic (Case Study: New York City)
2020年的COVID-19疫情对交通系统造成了突然冲击，特别是纽约市的地铁乘客模式。通过统计模型了解地铁乘客量的时间模式在这种冲击中至关重要。然而，许多现有的统计框架可能不适合分析疫情期间的乘客量数据集，因为在此期间可能会违反一些建模假设。在本文中，利用变点检测程序，我们提出了一个分段平稳的时间序列模型来捕捉地铁客流量的非平稳结构。具体而言，该模型由几个独立的站为基础的自回归综合移动平均（ARIMA）模型连接在一起，在某些时间点。此外，数据驱动算法用于检测2019冠状病毒病大流行之前和期间的乘客模式变化以及估计模型参数。焦点的数据集是随机选择的纽约市地铁站的每日乘客量。拟合这些数据集的建议模型增强了我们对外部冲击期间乘客量变化的理解，无论是在均值（平均）变化还是时间相关性方面。
2022-01-28 stat.AP
Understanding and monitoring the evolution of the Covid-19 epidemic from medical emergency calls: the example of the Paris area
我们通过分析巴黎地区四个中心部门（SAMU 75、92、93和94的15号中心）的EMS收到的医疗紧急呼叫，描绘了2020年3月至4月危机期间巴黎地区新冠肺炎疫情的演变。我们的研究揭示了这些部门之间的强烈差异。我们表明，每个流行病的对数可以近似为一个分段线性函数的时间。这使我们能够区分流行病的不同阶段，并确定卫生措施之间的延迟及其对EMS负荷的影响。这也导致了一种算法，允许人们检测流行病的复发。我们依赖于一个传输PDE流行病学模型，我们使用的方法从Perron Frobenius理论和热带几何。
2020-07-20 cs.SI math.DS physics.soc-ph
