编辑推荐：
在新冠疫情防控中，准确预测疫情高峰意义重大。研究人员利用 Hawkes 模型开展新冠疫情高峰预测研究。结果显示，该模型在低误报率下预测准确性高，最高可达 90%。这为疫情防控决策提供了有力支持。
新冠疫情给全球带来了巨大挑战，快速且准确地预测疫情走势成为了疫情防控的关键。在这场与病毒的赛跑中，传统的疫情预测方法存在诸多局限性。比如，一些模型在预测新冠疫情高峰时，准确性欠佳，难以满足实际防控需求，导致防控措施可能无法及时、精准地实施，从而影响疫情防控效果 。为了攻克这些难题，来自国外的研究人员展开了深入研究，其成果发表在《Epidemics》上。
研究人员聚焦于利用 Hawkes 模型预测美国新冠疫情高峰这一主题。Hawkes 点过程模型及其相关扩展模型，在多种传染病传播建模中已展现出一定优势，但在新冠疫情高峰预测方面的准确性仍有待深入探究。研究人员通过一系列研究，得出了令人瞩目的结论。他们发现，基于 Hawkes 模型的预测在低误报率（低于 5%）情况下，比仅对原始病例数数据进行平滑处理的预测更为准确，最高准确率可达 90%。这一成果对于疫情防控有着至关重要的意义，它能够帮助公共卫生部门更精准地预测疫情高峰，提前制定防控策略，合理分配医疗资源，从而有效遏制疫情的蔓延。
在研究过程中，研究人员主要运用了以下关键技术方法：一是使用离散 Hawkes 模型对新冠病例数进行建模，该模型可根据之前的感染时间来描述感染率的变化情况；二是采用非参数估计方法来拟合再生率 Rt，将其作为每周的阶梯函数进行估计，并通过最小化误差来确定参数；三是利用线性支持向量机（SVM）和接收者操作特征曲线（ROC）来评估预测模型的性能，判断预测的准确性。研究数据来源于约翰斯?霍普金斯大学新冠数据仓库，涵盖了 2020 年 2 月 1 日至 2021 年 12 月 31 日期间美国 50 个州的每日新增新冠病例数。
在研究结果方面：
- 传输密度估计：研究人员运用交替最小二乘法对每个州新冠病例数据的前六个月进行分析，估计传输时间参数。结果显示，所有州的估计在平均 5 次迭代中收敛。不同州的预测病例均方根误差（RMSE）差异较大，从佛蒙特州的 6.0 例 / 天到德克萨斯州的 1010 例 / 天不等，平均为 173 例。多数州的平均传播时间约为 6.2 天，但部分州存在异常。同时，估计的背景移民率在多数州较低。
- 预测病例高峰：研究人员对比了 Hawkes 模型、基于发病率变化的模型以及随机猜测模型的预测效果。结果表明，在 1% 的误报率下，Hawkes 模型的真阳性率为 44%，高于其他两种模型。Hawkes 模型在所有州的最高准确率可达 90%，而基于发病率变化的模型最高准确率为 82%。通过线性 SVM 确定的最佳边界预测准确率可达 82%，误报率为 4.9%，真阳性率为 61%。不过，在部分州，Hawkes 模型的预测效果不佳，如佛罗里达州、密歇根州、密苏里州等，可能是模型泛化能力问题；而佛蒙特州、内华达州和爱达荷州等则是因为疫情发展模式与多数州不同，导致预测出现偏差。
综合研究结论和讨论部分，Hawkes 模型为有效再生数 Rt的实时和回顾性估计提供了简单的分析公式，计算高效且无需对 Rt作分布假设。但研究也发现了一些问题，如部分州的传输时间估计可能受报告实践影响，早期数据较少时不确定性估计不稳定等。未来的研究可进一步改进这些方面，如考虑调整基线率以应对报告差异，探索跨州信息合并方法等。这不仅有助于完善 Hawkes 模型在疫情预测中的应用，还能为全球疫情防控提供更科学、更精准的决策依据，对未来应对类似公共卫生事件具有重要的参考价值。
