一个结构化的疾病过程数据集,包括台湾的联系人追踪信息,用于COVID-19建模

科学领域:

• 流行病学 流行病学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 虽然COVID-19大流行产生了大量的人口级数据,但缺乏个人级别的结构化信息,用于疾病进程和接触者追踪.
• 开放数据库缺乏详细的,个人级别的数据集,这对于准确的流行病学建模至关重要.

研究的目的:

• 发布一个结构化和清理的COVID-19数据集,其中包含个体疾病进展和联系人追踪信息.
• 通过使用全面的现实数据,促进COVID-19流行病学模型的基准测试.

主要方法:

• 数据来自台湾的开放数据库和每日新闻报道.
• 创建了一个定量数据集,详细介绍了个体病例信息,包括旅行史,人口统计,症状和联系人追踪.
• 该数据集涵盖了2020年1月21日至11月9日的579例确诊病例,以及截至2022年5月23日的人口级日常总结.

主要成果:

• 成功创建了579例COVID-19病例的结构化数据集,其中包含详细的个人信息和联系人追踪数据.
• 数据集包括关键的流行病学变量,如症状发作,疾病进展 (确诊,重症,康复,死亡) 和人口因素.
• 此外,还提供了2020年1月至2022年5月的人口水平每日总结数据.

结论:

• 发布的数据集为增强COVID-19等传染病的流行病学建模提供了有价值的细粒度数据.
• 这个资源可以通过提供详细的个人和人口层面的见解来提高预测模型的准确性和可靠性.
• 结构化接触追踪和疾病过程数据的可用性支持更好地了解和管理疾病爆发.