一个数据驱动的流行病模型,包括人类流动性和疫苗接种保护,用于COVID-19预测
Ruqi Li1, Yurong Song2, Hongbo Qu1
1School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210003, China.
这项研究引入了一种数据驱动的流行病学模型,使用物理信息神经网络 (PINNs) 来预测流行病动态. 该模型准确预测COVID-19趋势,并推断未观察到的数据,有助于评估缓解策略.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 准确的流行病学建模对于理解和管理大规模疫情至关重要.
- 复杂的模型在参数评估和状态预测方面面临挑战,原因是流行病的不确定性.
- 现有的模型经常与未观察到的流行病学数据作斗争.
研究的目的:
- 开发数据驱动的流行病模型,采用包括人类流动和疫苗接种在内的通用SEIR结构.
- 通过将流行病学动态整合到物理信息的神经网络 (PINNs) 中来解决模型的复杂性.
- 使用时间序列数据推断未知的参数和未观察到的动态.
主要方法:
- 开发了一个通用的SEIR (易受-暴露-感染-恢复) 机制模型.
- 将模型动态嵌入到基于物理的神经网络 (PINNs).
- 利用来自澳大利亚,以色列和瑞士的COVID-19时间序列数据进行培训和验证.
主要成果:
- 与基准模型相比,实现了令人满意的多步前进预测.
- 成功推断出时间变化的参数,如传播率和住院率.
- 计算出通常未报告的数据,包括潜伏期和无症状感染人数.
结论:
- 拟议的数据驱动PINN框架为流行病学建模和预测提供了一个强大的方法.
- 该模型推断未观察到参数的能力提高了对疾病动态的理解.
- 这种框架可以有效地分析各种公共卫生干预措施对疾病传播的影响.
更多相关视频
12:21A Mouse Model for the Transition of Streptococcus pneumoniae from Colonizer to Pathogen upon Viral Co-Infection Recapitulates Age-Exacerbated Illness
Published on: September 28, 2022
10:11Modeling The Lifecycle Of Ebola Virus Under Biosafety Level 2 Conditions With Virus-like Particles Containing Tetracistronic Minigenomes
Published on: September 27, 2014
相关概念视频
Steps in Outbreak Investigation
Causality in Epidemiology
Vaccinations
Statistical Methods for Analyzing Epidemiological Data
Mechanistic Models: Compartment Models in Individual and Population Analysis
Introduction to Epidemiology
