在大学环境中检测COVID-19热点
Garrett Duncan1, William F Christensen1, Camilla Handley1
1Department of Statistics, Brigham Young University, Provo, Utah, United States of America.
PloS one
|May 16, 2024
概括
这项研究引入了一种新的方法,使大学能够使用学生数据和XGBoost模型识别COVID-19热点. 这种方法有助于平衡面对面学习与公共卫生,为处于危险的群体提供有针对性的在线过渡.
科学领域:
- 流行病学 流行病学
- 数据科学数据科学数据科学
- 高等教育行政管理.
背景情况:
- 由于COVID-19大流行严重扰乱了学术机构,需要采取适应性政策来平衡教育和社区健康.
- 大学经常根据COVID-19传播热点的感知实施临时关闭面对面活动.
- 有效识别这些热点对于保持学术连续性,同时缓解疾病传播至关重要.
研究的目的:
- 开发和评估一种数据驱动的方法,用于在大学环境中识别COVID-19热点.
- 为管理人员提供一个工具,帮助他们做出明智的决策,决定暂时转向在线学习.
主要方法:
- 利用XGBoost模型结合学生人口统计数据和每周COVID-19测试结果来估计个体阳性测试概率.
- 设计的人口变量以提高模型的预测准确性.
- 采用模拟实验来确定在没有类内传播的情况下,阳性率的零分布.
- 应用了修改后的错误发现率程序,以根据观察到的和预期的组阳性率来确定统计学上显著的热点.
主要成果:
- 通过改进的人口特征来增强XGBoost模型,有效估计了个人COVID-19风险.
- 基于模拟的分析允许识别学术群体 (类,专业) 的COVID-19比率超过人口预期.
- 这种方法在2020年秋季的匿名大学案例研究中证明了其实用性.
结论:
- 拟议的方法为在相互连接的人群中检测传染病热点提供了一个强大的框架,可以在大学以外的环境中进行适应.
- 这种方法支持基于证据的决策,用于组织内部管理公共卫生风险.
- 它提供了一个可扩展的解决方案,用于监测和应对学术和其他社区环境中的疾病爆发.
