基于2011年至2019年的中国哨兵监测数据预测类似流感的疾病趋势:一个建模和比较研究1
Xingxing Zhang1,2,3,4, Liuyang Yang1,2,3,5, Teng Chen6
1School of Population Medicine and Public Health, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, 100073, China.
Infectious Disease Modelling
|May 10, 2024
概括
与深度学习和GAM模型相比,ARMA-GARCH模型在预测中国流感样疾病 (ILI) 趋势方面表现出更高的准确性. 这一发现支持其在公共卫生中用于控制流感的应用.
科学领域:
- 流行病学 流行病学
- 生物统计学 生物统计学
- 传染病建模 传染病建模
背景情况:
- 流感对全球健康构成重大负担.
- COVID-19大流行和非药物干预 (NPI) 在流感传播模式上造成了不确定性.
- 在创新的流感预测模型上存在有限的比较研究.
研究的目的:
- 预测不同中国气候中的类似流感疾病 (ILI) 趋势.
- 评估和比较三个不同的建模方法的预测性能.
- 为了评估1至4周前的模型准确性,ILI预测.
主要方法:
- 开发并比较了三种模型:通用添加模型 (GAM),深度学习混合模型 (GRU) 和ARMA-GARCH.
- 利用了2011-2019年中国八个地区的哨兵监视数据.
- 通过使用平均绝对百分比误差 (MAPE),根平均平方误差 (RMSE) 和R平方来评估模型性能.
主要成果:
- 在ILI趋势预测中,ARMA-GARCH模型取得了最高的准确性.
- 格鲁深度学习模型表现中等;GAM的准确性最低.
- 预测性能随着预测时间的延长 (1-4周前) 而下降.
- 所有模型都通过阻塞交叉验证证明了稳定性和低超风险.
结论:
- 亚马-加尔奇模型是预测中国ILI趋势最准确的模型.
- 这种模型可以在不同气候区的公共卫生实践中具有价值.
- 亚马-子有助于流感控制和预防策略.
