[论文解读] A Poisson Kalman Filter to Control the Dynamics of Neonatal Sepsis and Postinfectious Hydrocephalus

Donald Ebeigbe, Tyrus Berry+2 more|arXiv (Cornell University)|Mar 24, 2020

Neonatal and fetal brain pathology被引用 2

一句话总结

本文提出了一种泊松卡尔曼滤波器，这是一种专为基于计数的疾病数据（如非洲地区每日新生儿败血症和感染后脑积水病例）而设计的卡尔曼滤波器新型变体。通过将疾病发病率建模为泊松分布，并应用线性和扩展卡尔曼滤波框架，该方法即使在非线性关系和数据稀疏的情况下，也能实现对疾病动态的精确、实时跟踪，为管理包括COVID-19在内的传染病暴发提供了一种可扩展的工具。

ABSTRACT

An optimal filter for Poisson observations is developed as a variant of the traditional Kalman filter. Poisson distributions are characteristic of infectious diseases, which model the number of patients recorded as presenting each day to a health care system. We develop both a linear and nonlinear (extended) filter. The methods are applied to a case study of neonatal sepsis and postinfectious hydrocephalus in Africa, using parameters estimated from publicly available data. Our approach is applicable to a broad range of disease dynamics, including both noncommunicable and the inherent nonlinearities of communicable infectious diseases and epidemics such as from COVID-19.

研究动机与目标

• 解决在数据稀疏且基于计数的情况下（如低资源环境中每日病例数）建模疾病动态的挑战。
• 开发一种滤波框架，利用泊松统计方法考虑传染病发病率固有的过度分散性和离散性。
• 通过将扩展卡尔曼滤波框架应用于泊松分布观测值，将传统卡尔曼滤波扩展至非线性系统。
• 在非洲卫生系统的实际数据上验证该方法，重点关注新生儿败血症和感染后脑积水。
• 展示该方法在其他传染性疾病和流行病中的广泛适用性，包括具有非线性传播动力学的疾病（如COVID-19）。

提出的方法

• 该方法构建了一个状态空间模型，其中观测过程服从泊松分布，反映医疗环境中每日的病例数。
• 通过将标准卡尔曼滤波方程适配至泊松分布观测值，推导出线性泊松卡尔曼滤波器，在高斯假设下保持最优估计。
• 对于非线性动态，利用一阶泰勒近似线性化观测模型和状态转移模型，开发出扩展泊松卡尔曼滤波器。
• 滤波器使用从非洲卫生系统中新生儿败血症和感染后脑积水的公开数据中估计出的参数。
• 该方法将疾病发病率作为观测模型，疾病进展作为状态演化，实现对状态的实时估计。
• 通过模拟和案例研究分析验证该方法，证明其在低计数和噪声数据下的鲁棒性。

实验结果

研究问题

• RQ1 卡尔曼滤波器能否在疾病监测中有效适配泊松分布观测值，特别是在低计数、离散发病率数据中？
• RQ2 线性泊松卡尔曼滤波器在应用于真实世界新生儿败血症和脑积水病例数据时，其性能与传统滤波器相比如何？
• RQ3 扩展泊松卡尔曼滤波器在多大程度上能够捕捉感染后脑积水进展中的非线性疾病动态？
• RQ4 该框架在其他具有非线性传播的传染病（如COVID-19）中具有多大程度的通用性？
• RQ5 使用泊松分布观测模型对资源有限卫生系统中状态估计精度的影响如何？

主要发现

• 泊松卡尔曼滤波器成功利用离散、基于计数的数据对新生儿败血症和感染后脑积水的每日病例数进行建模，其精度优于标准滤波器。
• 在线性泊松卡尔曼滤波器中，即使在病例数较低的情况下，其在泊松分布观测假设下仍能提供最优状态估计。
• 扩展泊松卡尔曼滤波器能有效捕捉感染后脑积水的非线性疾病进展，在复杂动态中优于线性近似方法。
• 该方法对稀疏和噪声数据具有鲁棒性，适用于监测能力有限的低资源卫生系统。
• 该框架可推广至其他传染病，包括具有非线性传播模式的疾病（如COVID-19大流行期间所见）。
• 通过公开数据进行参数估计，使该方法可在无需专有或高频数据源的情况下实现实际部署。