通过模型增强来提高疫情预测的准确性

《Proceedings of the National Academy of Sciences》：Improving outbreak forecasts through model augmentation

疫情高峰期混合预测方法研究：通过整合基础流行病学原理到现有预测模型（如自回归、梯度提升机等），显著提升COVID-19（平均+27.9%）和流感（平均+43.8%）入院量预测精度，增强复杂模型可靠性，优化公共卫生应急准备。

　　

重要性

可靠的疫情预测对于公共卫生决策至关重要，然而传统方法在关键流行病学时期（如疫情高峰期）往往表现不佳。本研究提出了“epimodulation”这一预测方法，它将流行病学原理融入多种预测模型中，以提高其预测性能。在COVID-19和流感住院预测中，该方法在疫情高峰期的模型准确率提升了高达55%，同时在其他时间并未降低准确率。由于其设计灵活且易于实施，“epimodulation”成为提升预测性能、加强医疗准备和危机时期风险沟通的强大工具。

摘要

准确预测疾病暴发情况对于有效的公共卫生响应、医疗资源管理以及公众风险沟通至关重要。目前有越来越多的强大预测方法，大致可分为两类：一类是从历史数据中推断出的经验模型；另一类是基于固定流行病学假设的机制模型。然而，这些方法在最需要可靠预测的时期（即疫情迅速蔓延的时候）往往表现不佳。本文提出的“epimodulation”是一种混合方法，它将基本的流行病学原理整合到现有的预测模型中，从而提高预测精度，尤其是在疫情高峰期。当应用于经验模型和机器学习预测方法（如自回归积分滑动平均模型、Holt-Winters模型、梯度提升机、Prophet模型和样条模型）时，“epimodulation”将COVID-19住院预测的总体准确率平均提高了12.3%（范围：8.5%至18.7%），流感住院预测的准确率提高了32.9%（范围：24.2%至43.7%）；在疫情高峰期，准确率进一步提升，分别达到了27.9%和43.8%。此外，“epimodulation”还显著提高了复杂预测方法的性能，包括COVID-19预测集成模型，证明了其在疾病暴发关键时刻提升预测可靠性的广泛适用性。