通过废水监测解释墨西哥COVID-19流行病学趋势,使用简单的机器学习算法进行快速决策

科学领域:

• 环境科学环境科学
• 流行病学 流行病学
• 公共卫生 公共卫生

背景情况:

• 基于废水的监测 (WBS) 是追踪传染病的有效方法.
• 分析WBS数据用于公共卫生决策,尤其是在COVID-19等大流行期间,这会带来挑战.
• 数据的有限维度可能会影响预测模型的准确性.

研究的目的:

• 开发和评估用于WBS数据分析的简单集群和回归模型.
• 评估模型在高流量环境中提供预防和控制措施的能力.
• 确定WBS支持的公共卫生决策模型的有效性.

主要方法:

• 利用了墨西哥城和蒙特雷 (2021-2022) 的废水采样数据.
• 训练集群模型来区分COVID-19激增周和非激增周.
• 采用回归模型来预测每周平均每日新增的COVID-19病例.

主要成果:

• 集群模型在区分COVID-19激增时期时实现了87.9%的准确性.
• 未来一周和两周的预测准确率分别为80.4%和81.8%.
• 对于每周平均每日新增病例的回归模型预测显示出局限性 (R2 = 0.80,MAPE = 72.6%).

结论:

• 简单的WBS支持的模型为公共卫生决策者在疫情期间提供了宝贵的见解.
• 聚类方法在识别疾病趋势方面表现出很强的准确性.
• 使用低维度WBS数据的预测回归模型需要进一步精细化以提高准确性.