Monte Carlo secuencial al cuadrado para la inferencia en línea en modelos epidémicos estocásticos

Área de la Ciencia:

• Epidemiología
• Estadísticas computacionales
• Modelado matemático

Sus antecedentes:

• El modelado y la vigilancia eficaces de las epidemias exigen métodos computacionalmente eficientes para la actualización continua de los parámetros.
• El seguimiento en tiempo real requiere métodos que puedan adaptarse rápidamente a los nuevos datos.

Objetivo del estudio:

• Explorar la aplicación de una variante en línea de Sequential Monte Carlo Squared (O-SMC2) para el seguimiento de epidemias en tiempo real utilizando el modelo Susceptible-Exposed-Infectious-Removed (SEIR).
• Evaluar la eficiencia computacional y la precisión de O-SMC2 en la estimación de los parámetros epidemiológicos.

Principales métodos:

• Utilizó una variante en línea de Sequential Monte Carlo Squared (O-SMC2) con un núcleo de partículas Metropolis-Hastings.
• Aplicó O-SMC2 a datos de epidemia simulados y a un conjunto de datos de COVID-19 del mundo real de Irlanda.
• Centrado en el uso de una ventana fija de observaciones recientes para actualizaciones de parámetros.

Principales resultados:

• Demostró la eficiencia computacional de O-SMC2 en datos simulados.
• Rastreó con éxito una epidemia de COVID-19 y estimó un número de reproducción dependiente del tiempo.
• Lograr estimaciones en línea precisas de parámetros epidemiológicos estáticos y dinámicos con un costo computacional reducido.

Conclusiones:

• O-SMC2 proporciona estimaciones en línea precisas de los parámetros epidemiológicos, mejorando el monitoreo de epidemias en tiempo real.
• La eficiencia computacional del método lo hace adecuado para intervenciones de salud pública adaptativas.
• O-SMC2 ofrece una mejora significativa con respecto al SMC2 estándar para el análisis epidémico sensible al tiempo.