使用数字迹象构建前瞻性和实时的县级预警系统以预测美国的COVID-19爆发
摘要：COVID-19全球疫情继续影响着各个地区的社区。截至目前，COVID-19已导致近600万人死亡，全球估计有超过2.5亿人感染。设计适当和及时的缓解策略，以遏制此次和未来疾病爆发的影响，需要密切监控它们的时空轨迹。我们提出了一种机器学习方法，以实时预测美国县级地区COVID-19活动的突然增加。我们的方法利用基于互联网的数字痕迹，例如来自普通人群和临床医生的与疾病相关的互联网搜索活动，与疾病相关的Twitter微博以及邻近地区的爆发轨迹，来监测人群健康趋势的潜在变化。出于改善当地决策能力的需求，我们在此基础上进一步构建了以往州级回顾性研究努力的扩展，该研究最初设想于大流行初期。我们的方法在分布在美国的97个县的子集上进行了实时和样本外测试，频繁地在当地爆发开始前1-6周就预测到COVID-19活动的急剧增加（定义为Rt大于1的时间）。鉴于COVID-19变种的持续出现，例如最近的Omicron变种，以及多个国家未全面接种疫苗的事实，我们提出的框架，虽然是针对美国县级，但在其他国家如果有类似的数据来源的情况下也可能有帮助。
作者：Lucas M. Stolerman, Leonardo Clemente, Canelle Poirier, Kris V. Parag, Atreyee Majumder, Serge Masyn, Bernd Resch, and Mauricio Santillana
论文ID：2203.06505
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-03-15