基于马尔可夫调制模型的COVID-19住院病例与废水病毒信号关联性研究

为解决复杂流行病学模型校准效率低下的问题，研究人员结合历史匹配(history matching)、异方差高斯过程(hetGP)建模和近似贝叶斯计算(ABC)方法，开发了一种新型校准框架。该研究以COVID-19传播模型Covasim为案例，通过四轮历史匹配排除了99%的参数空间，仅用5300次模拟运行就实现了与观测数据的高保真匹配。这一突破性方法显著提高了计算效率，为疫情政策制定提供了更快速可靠的模型校准方案。

　　

在COVID-19大流行期间，流行病学模型成为政策制定的重要工具，但复杂的个体水平模型(agent-based models, ABMs)如Covasim面临严峻的校准挑战。传统校准方法需要超过10万次模拟运行，耗时长达35天，严重制约了模型在紧急决策中的应用。如何快速校准这些计算密集型模型，同时保证结果的可靠性，成为流行病建模领域亟待解决的关键问题。

华盛顿大学(Washington University)的研究团队创新性地将历史匹配、异方差高斯过程(heteroskedastic Gaussian process, hetGP)建模和近似贝叶斯计算(approximate Bayesian computation, ABC)三种方法相结合，开发出高效的模型校准框架。该研究以广泛使用的Covasim模型为测试平台，针对美国西雅图地区2020年初的疫情数据开展校准实验。研究成果发表在《Epidemics》期刊，为复杂流行病模型的快速校准提供了范例。

研究采用四项关键技术：1)历史匹配分四轮逐步缩小参数空间；2)异方差高斯过程(hetGP)建模处理非平稳噪声；3)近似贝叶斯计算(ABC)进行最终校准；4)使用King County的COVID-19确诊、死亡和SCAN主动感染数据作为校准目标。所有模拟在225,000个代理(agents)的群体规模下进行，重点关注四个关键参数：接触传播率(beta)、工作/社区接触减少(bc_wc1)、长期护理机构接触减少(bc_lf)和症状检测优势比(tn)。

历史匹配规则参数空间方面，研究通过四轮迭代将参数空间体积从初始的2,560,000点缩减至21,114点(0.82%)。每轮增加时间步长精度并降低不可信度阈值，最终使累计诊断和死亡数的均方根误差分别改善60%和30%。光学深度图分析揭示了参数间的关键关系，如传播率beta与工作/社区接触减少bc_wc1呈现明显负相关。

高保真匹配验证方面，基于历史匹配结果的ABC校准产生了稳定的后验分布。50次验证模拟显示，诊断数日均绝对误差12.87(标准差5.19)，死亡数2.43(标准差0.66)，与原始研究结果相当。值得注意的是，该方法无需固定随机种子，体现了对随机变化的鲁棒性。

政策干预评估方面，校准参数成功再现了原始研究中测试-追踪-隔离(TTQ)干预的效果。虽然"现状"模拟显示解封后短期病例激增，但两种方法对活跃感染数的估计高度一致，证实了校准参数的可靠性。

这项研究的重要意义在于：方法学上，首次将历史匹配与ABC结合应用于COVID-19模型校准，仅用5%的计算量就达到传统方法的精度；实践上，建立的校准框架可推广至Starsim系列模型，支持更广泛的健康决策；理论上，为处理复杂ABMs的随机性提供了双重视角——既关注参数后验分布，也保留轨迹优化可能性。研究还指出，高效校准使建模团队能更快识别"终端案例"，及时调整模型结构应对突发公共卫生事件。

该研究的局限包括对模型输出独立性的简化假设，以及尚未验证在多峰后验场景的表现。未来工作可探索参数空间的扩展，将健康寻求行为等复杂机制纳入校准，并开发跨地理环境的迁移学习方案。这些进展将进一步提升ABMs在疫情 preparedness 中的决策支持价值。