[论文解读] Monitoring SEIRD model parameters using MEWMA for the COVID-19 pandemic with application to the State of Qatar

Edward L. Boone, Abdel‐Salam G. Abdel‐Salam+4 more|arXiv (Cornell University)|Jan 29, 2021

COVID-19 epidemiological studies参考文献 26被引用 5

一句话总结

本文提出了一种基于贝叶斯SEIRD模型的实时监测框架，通过增强型粒子马尔可夫链蒙特卡洛（APMCMC）算法实现在线参数估计，随后采用多元统计过程控制方法（MEWMA）进行监测。该方法成功检测到政策引发的传播动力学变化，在卡塔尔的案例中，伪决定系数达到0.999，并在第40天左右实现对关键干预措施的早期检测。

ABSTRACT

During the current COVID-19 pandemic, decision makers are tasked with implementing and evaluating strategies for both treatment and disease prevention. In order to make effective decisions, they need to simultaneously monitor various attributes of the pandemic such as transmission rate and infection rate for disease prevention, recovery rate which indicates treatment effectiveness as well as the mortality rate and others. This work presents a technique for monitoring the pandemic by employing an Susceptible, Exposed, Infected, Recovered Death model regularly estimated by an augmented particle Markov chain Monte Carlo scheme in which the posterior distribution samples are monitored via Multivariate Exponentially Weighted Average process monitoring. This is illustrated on the COVID-19 data for the State of Qatar.

研究动机与目标

• 开发一种动态的、实时的方法，用于监测新冠疫情期间不断演变的疫情参数。
• 通过实现对疾病传播、康复和死亡率变化的快速检测，弥补现有文献中的空白。
• 将贝叶斯推断与多元统计过程控制相结合，实现实时政策评估。
• 为决策者提供一种响应迅速的工具，用以评估公共卫生干预措施的影响。
• 利用卡塔尔的实际数据，证明该方法的有效性。

提出的方法

• 本研究采用针对卡塔尔流行病学数据定制的时变SEIRD模型，包含易感者、潜伏者、感染者、康复者和死亡者五个感染阶段。
• 采用贝叶斯推断框架，通过增强型粒子马尔可夫链蒙特卡洛（APMCMC）算法估计后验分布，以防止粒子枯竭并支持每日更新。
• APMCMC算法结合重要性重采样与粒子增强技术，保持样本多样性，并实现从新每日数据中高效顺序更新。
• 应用多元指数加权移动平均（MEWMA）控制图，对模型参数的后验样本随时间进行监测。
• MEWMA统计量用于追踪多变量参数空间中的变化，控制限设定在第95百分位数，以标识显著变化。
• 该方法通过复用先前的后验样本并仅整合新数据，实现每日监测，确保计算效率。

实验结果

研究问题

• RQ1 基于在线参数更新的贝叶斯SEIRD模型能否实现实时检测疫情动态中的有意义变化？
• RQ2 MEWMA监测方案在识别传播率和康复率等关键流行病学参数变化方面效果如何？
• RQ3 所提出的方法在多大程度上能够检测到政府干预对疾病进展的影响？
• RQ4 与标准粒子滤波器相比，APMCMC算法在序列估计过程中维持样本质量方面的表现如何？
• RQ5 该方法能否推广至其他地区或超越SEIRD的其他疾病模型？

主要发现

• 所提出的方法在拟合卡塔尔新冠数据时，伪决定系数达到0.999，表明模型拟合效果极佳。
• MEWMA控制图在第40天左右检测到疫情动态的首次显著变化，与政府开放专门医疗中心等重大干预措施时间点一致。
• 该方法成功识别出第40天之后的多个额外信号日，所有信号均与已知政策变化或传播模式转变相符。
• APMCMC算法有效防止了粒子枯竭，并实现了后验分布的高效每日更新，无需从头重新拟合。
• 作为多变量控制图的霍特林T²统计量在第40天后持续发出信号，证实系统参数空间中存在持久性变化。
• 该框架计算高效且可扩展，因其复用先前的后验样本并仅处理每日新增数据，适用于实时公共卫生监测。