导读 滑铁卢大学和达尔豪斯大学的一组研究人员开发了一种使用极其有限的数据来预测流行病短期进展的方法。他们的模型，即基于稀疏和延迟嵌入的预...
滑铁卢大学和达尔豪斯大学的一组研究人员开发了一种使用极其有限的数据来预测流行病短期进展的方法。
他们的模型，即基于稀疏和延迟嵌入的预测模型(SPADE4)，使用机器学习仅使用有限的感染数据来预测流行病的进展。SPADE4在加拿大第五波COVID-19大流行的模拟流行病和真实数据上进行了测试，并以95%的置信度成功预测了流行病的进展。这项研究“Spade4：基于稀疏性和延迟嵌入的流行病预测”出现在《数学生物学通报》中。
“新冠疫情告诉我们，我们确实需要想出能够用最少信息进行预测的方法，”应用数学博士说。候选人埃莎·萨哈(EshaSaha)，该研究的主要作者。“如果出现新病毒并且测试刚刚开始，我们必须知道短期内该怎么做。”
当疾病暴发时，无论是像COVID-19这样的新感染，还是像埃博拉这样的现有感染，能够预测疾病的发展对于制定公共政策决策至关重要。
“这就是政策制定者从一开始就需要的，”萨哈说。“接下来的7天我们该怎么办?资源该如何分配?”
传统上，流行病学家更喜欢建立和使用复杂的模型来了解流行病的进展。然而，萨哈说，这些模型有几个缺点。
他们需要复杂的人口统计信息，而这些信息在疫情爆发之初往往无法获得。即使可以获得详细信息，模型也可能无法准确反映人群的复杂性或疾病的动态。
滑铁卢研究小组的新模型解决了这些缺点。
萨哈说：“当我们研究疫苗和治疗方法时，我们正在研究长期数据。”“但是当一种新疾病到来时，这种方法可以帮助我们了解如何行事。”