建模改进有望提高流行病预测的准确性

准确预测流行病情景对于实施有效的公共卫生干预政策至关重要。虽然在预测流行病的总体规模和时间方面取得了很大进展，但在预测高峰时间方面仍有改进的余地，不幸的是，H1N1 和 就证明了这一点，高峰时间出现的时间晚于预测。

在Chaos 中，来自法国和的研究人员使用动态随机建模技术揭示感染和恢复率波动在确定流行病高峰时间方面起着关键作用。

“一些平均数量，如感染率和恢复率，对参数波动高度敏感，这意味着必须了解后者，即使平均行为是唯一感兴趣的焦点，”合著者 Maxence Arutkin 说。“我们的工作表明，流行高峰时间取决于这些波动，而在流行病学模型中忽视它们会导致不准确的流行情景和不合适的缓解政策，更不用说使病毒进化成新的变种。”

该研究使用包含控制参数每日波动的易感-感染-恢复流行模型，将概率论计算应用于流行浪潮开始时和人口高峰时间的感染计数。虽然之前使用标准流行病学模型的工作表明流行高峰日期与其预测之间存在延迟(没有波动)，但研究人员认为流行高峰时间不仅取决于感染率和恢复率的平均值，还取决于波动。

为了预测流行轨迹，一个重要的参数是基本繁殖数 R0，它描述了从个体传播的平均感染数。感染和恢复率波动导致感染人数的对数正态概率分布，其分析形式类似于金融资产的价格分布。

“在短期内，即使从单个个体传播的平均感染率低于 1，我们也可以观察到由于参数波动而导致的流行病死灰复燃，”Arutkin 说。“此外，可以量化流行高峰时间的分散情况，表明在不考虑这些波动的情况下，高峰时间估计是有偏差的。”

该研究表明，改进的预测取决于 R0 水平以及感染和恢复率的波动，并且可能为政策制定者提供一种工具来评估基于不同 R0 水平的参数波动的后果。

“我们的研究结果表明，我们必须在未来的流行病学模型中引入参数波动，”Arutkin 说。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！