人工神经网络预测COVID-19每日感染数量
Ning Jiang1, Charles Kolozsvary1, Yao Li2
1Department of Mathematics and Statistics, University of Massachusetts, 710 N Pleasant St, Amherst, 01003, MA, USA.
Bulletin of mathematical biology
|April 1, 2024
概括
这项研究使用人工神经网络来估计真正的COVID-19病例数量,揭示了测试指标和实际感染之间的关系. 这些发现有助于更好地理解流行病和减缓战略.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 准确的COVID-19感染数量对于有效的公共卫生反应至关重要.
- 传统的测试指标可能无法完全捕捉SARS-CoV-2感染的真实流行率.
- 了解COVID-19传播的动态需要先进的分析方法.
研究的目的:
- 开发一个模型来估计真正的每日COVID-19病例数.
- 调查COVID-19测试指标 (体积,阳性) 与真实感染率之间的非线性关系.
- 评估人口和流行病学因素对感染动态的影响.
主要方法:
- 利用人工神经网络 (ANN) 来建模变量之间的复杂关系.
- 采用了使用COVID-19死亡人数和感染死亡率比率 (IFR) 的规范化回投技术.
- 将人口统计数据,每日确诊病例和测试数据纳入ANN模型.
- 分析了年龄分布,疫苗接种情况和病毒变异对IFR的影响.
主要成果:
- 在各种场景中,ANN模型成功估计了每天的真实COVID-19病例数.
- 证明真实感染数量对测试量和阳性率的显著依赖.
- 确定了影响感染死亡率的关键因素.
- 通过样本内,样本外和假设场景测试验证模型性能.
结论:
- 人工神经网络提供了一个强大的方法来估计超出报告病例数的真实COVID-19感染.
- 准确估计真实病例对于了解大流行病的影响和改进公共卫生干预至关重要.
- 对影响IFR的因素的进一步研究可以提高流行病学建模的准确性.
