[论文解读] A Simple Prediction Model for the Development Trend of 2019-nCov Epidemics Based on Medical Observations

Ye Liang, Dan Xu+5 more|arXiv (Cornell University)|Feb 2, 2020

Healthcare Systems and Public Health被引用 13

一句话总结

本研究提出了一种针对中国湖北省以外地区2019-nCoV疫情趋势的简单预测模型，利用医学观察数据预测病例数。通过在2020年1月25日至1月29日期间优化六个模型，预测疫情峰值出现在1月29日至2月2日期间，而1月29日至1月31日的实际数据与综合模型的预测范围高度吻合，表明医学观察趋势可可靠预测疫情发展进程。

ABSTRACT

In order to predict the development trend of the 2019 coronavirus (2019-nCov), we established an prediction model to predict the number of diagnoses case in China except Hubei Province. From January 25 to January 29, 2020, we optimized 6 prediction models, 5 of them based on the number of medical observations to predicts the peak time of confirmed diagnosis will appear on the period of morning of January 29 from 24:00 to February 2 before 5 o'clock 24:00. Then we tracked the data from 24 o'clock on January 29 to 24 o'clock on January 31, and found that the predicted value of the data on the 3rd has a small deviation from the actual value, and the actual value has always remained within the range predicted by the comprehensive prediction model 6. Therefore we discloses this finding and will continue to track whether this pattern can be maintained for longer. We believe that the changes medical observation case number may help to judge the trend of the epidemic situation in advance.

研究动机与目标

• 开发中国湖北省以外地区2019-nCoV疫情趋势的预测模型。
• 评估医学观察病例数的变化是否可提前预测确诊病例轨迹。
• 评估基于早期疫情数据的多种预测模型的准确性。
• 为疫情初期阶段的公共卫生决策提供及时、数据驱动的预测支持。

提出的方法

• 作者基于2020年1月25日至1月29日每日医学观察病例数构建了六个预测模型。
• 其中五个模型利用医学观察数据预测疫情峰值的时间。
• 模型使用1月25日至29日的数据进行优化，预测重点集中在1月29日至2月2日期间。
• 通过整合前五个模型的输出，构建了综合模型（模型6），以提高稳健性和准确性。
• 将模型预测结果与2020年1月29日至1月31日收集的实际确诊病例数据进行验证。
• 本研究采用基于医学观察趋势的时间序列方法，推断未来疫情动态。

实验结果

研究问题

• RQ1 医学观察病例数能否可靠预测中国湖北省以外地区2019-nCoV确诊病例的峰值？
• RQ2 基于早期医学观察数据的预测模型在疫情初期阶段预测疫情趋势的准确性如何？
• RQ3 整合多种预测方法的综合模型是否相比单一模型具有更高的预测可靠性？
• RQ4 在确诊病例数据稳定之前，仅依靠医学观察趋势能否可靠估计疫情峰值的时间？

主要发现

• 模型预测确诊病例的峰值将出现在2020年1月29日至2月2日期间，具体为1月29日24:00至2月2日5:00之间。
• 2020年1月29日至1月31日的实际确诊病例数据均落在综合模型（模型6）的预测范围内，表明其具有较强的短期准确性。
• 1月31日预测值与实际值的偏差较小，表明模型在为期三天的验证窗口内保持了可靠性。
• 研究发现，医学观察病例数的变化可作为疫情趋势变化的早期指标，即使在确诊病例数据尚未完全反映传播动态之前亦如此。
• 综合模型（模型6）相比单一模型表现出更优的一致性和稳定性，凸显了模型集成的价值。
• 作者得出结论：医学观察数据可能在疫情初期阶段提供及时且有用的疫情发展预测替代指标。