开发准确的长线COVID-19预测

科学领域:

• 流行病学和公共卫生.
• 传染病建模 传染病建模
• 生物统计学 生物统计学

背景情况:

• 2019年新冠病毒病 (COVID-19) 继续构成重大公共卫生挑战.
• 准确的,长期预测COVID-19疫情轨迹对于有效的公共卫生干预和资源分配至关重要.
• 现有的预测模型面临的挑战包括错误增长,新兴变体和季节性变化.

研究的目的:

• 开发和评估新的策略,以提高长期预测COVID-19流行病的准确性.
• 解决传染病预测的关键挑战:错误增长,新变种的出现和季节性.
• 为提供更可靠的6个月前的COVID-19病例和死亡预测.

主要方法:

• 提出了三个综合战略来缓解预测挑战:错误增长管理,变种适应和季节性整合.
• 在10个代表性的美国州,为COVID-19病例和死亡产生了6个月的回顾性预测.
• 与2022年9月之前的25,000多个回顾性预测对比,验证了预测表现.

主要成果:

• 综合策略在各种波形和位置的基础预测方法中表现明显优于基线预测方法.
• 病例的概率预测准确度提高了64%,死亡率提高了38%;点预测准确度分别增加了133%和87%.
• 实时6个月预测 (2022年10月) 准确地显示了高攻击率,但2022年10月至2023年3月的死亡负担较低.

结论:

• 开发的预测策略证明了在为COVID-19生成准确的长期预测方面具有卓越的技能.
• 这些方法为加强积极的公共卫生规划和应对提供了一个强大的框架.
• 这种方法有可能应用于预测其他传染病.