[论文解读] Introduction to statistical inference for infectious diseases

Tom Britton, Federica Giardina|arXiv (Cornell University)|Nov 12, 2014

COVID-19 epidemiological studies参考文献 48被引用 15

一句话总结

本文提出了一套全面的统计推断框架，用于随机流行病模型，重点是利用最终感染规模或时间性暴发数据来估计关键参数，如基本再生数 $R_0$ 和临界免疫覆盖率 $v_c$。该框架整合了处理未观测感染过程、个体与混合异质性以及通过监测模型实现早期暴发检测的方法，并应用于实时监测与预测，结合时间序列模型和MCMC技术。

ABSTRACT

In this paper we first introduce the general stochastic epidemic model for the spread of infectious diseases. Then we give methods for inferring model parameters such as the basic reproduction number $R_0$ and vaccination coverage $v_c$ assuming different types of data from an outbreak such as final outbreak details and temporal data or observations from an ongoing outbreak. Both individual heterogeneities and heterogeneous mixing are discussed. We also provide an overview of statistical methods to perform parameter estimation for stochastic epidemic models. In the last section we describe the problem of early outbreak detection in infectious disease surveillance and statistical models used for this purpose.

研究动机与目标

• 开发适用于各种数据类型（包括最终暴发规模和时间性发病率数据）的随机流行病模型的统计推断方法。
• 解决由于流行病动态中感染过程未被观测到以及数据缺失而导致的参数估计挑战。
• 将基础模型扩展以纳入个体异质性、异质性混合以及空间传播模式。
• 为传染病监测系统中的早期暴发检测与预测提供统计工具。
• 整合现代计算技术（如MCMC和状态空间模型）以提升推断与预测性能。

提出的方法

• 使用具有均匀混合、指数分布感染期和泊松分布接触次数的一般随机SIR模型，以模拟传播动态。
• 应用MCMC方法在感染过程未被观测时估计模型参数，从而实现不确定性量化。
• 采用具有自回归和空间加权分量的负二项回归模型来模拟监测计数，分离地方性与流行性成分。
• 引入傅里叶项和时变系数，以在监测数据中建模季节性模式和外部干预措施。
• 使用预测评分规则（特别是对数评分）在严格正确的框架下评估和选择监测模型。
• 将系统发育动力学方法作为扩展，用于从病原体基因数据中推断传播路径与时间。

实验结果

研究问题

• RQ1 在随机SIR模型中，如何从未观察到的最终暴发规模数据中估计基本再生数 $R_0$？
• RQ2 当仅能观测到时间性发病率数据时，哪些统计方法可实现对 $R_0$ 和 $v_c$ 的可靠推断？
• RQ3 个体水平的异质性与异质性混合如何影响随机流行病模型中的参数估计？
• RQ4 在暴发进行期间估计流行病参数面临哪些挑战？如何将指数增长速率与 $R_0$ 关联？
• RQ5 如何利用具有过度离散性和空间依赖性的时间序列数据，通过统计监测模型实现早期暴发检测与发病率预测？

主要发现

• 一般随机SIR模型的基本再生数为 $R_0 = \lambda / \gamma$，由传播率 $\lambda$ 与恢复率 $\gamma$ 的比值推导得出。
• 对于最终规模数据，可在封闭同质人群且已知初始条件的假设下，使用基于似然的方法估计 $R_0$。
• 时间数据允许估计指数增长速率 $r$，该速率可通过世代时间分布和序列间隔估计与 $R_0$ 关联。
• 临界免疫覆盖率 $v_c = 1 - 1/R_0$ 由 $R_0$ 推导得出，为均匀混合模型中的群体免疫阈值提供依据。
• 采用具有自回归和空间分量的负二项回归监测模型可提升早期检测与预测性能，尤其在考虑过度离散性和季节性时效果更显著。
• R包 'surveillance' 实现了这些模型的多种应用，并支持使用对数评分等正确评分规则进行模型评估。