基于模拟疫情轨迹训练的分类模型提前预测社区住院率激增的可行性研究

《Epidemics》：Evaluating classification rules for predicting local hospitalization surges exclusively from simulated pandemics

　　

摘要

由新型病原体引发的疫情期间，住院情况在不同社区间呈现出高度异质性，这受到当地接触模式、风险规避行为和政策采纳情况以及基线人口健康状况（包括与重症相关的合并症）的影响。然而，大多数现有预测方法依赖全国或州级趋势，并且需要积累监测数据，这限制了这些预测模型在地方层面预测中的实用性，尤其是当地方动态因新型变异株出现等原因而不同于全国或州级动态时。我们评估了仅使用模拟疫情轨迹训练的、未接触真实世界疫情数据的分类模型，是否能够提前3周预测住院率是否会超过预设阈值。我们使用传播模型生成了涵盖广泛病原体特征（包括传染性、毒力和变异株出现）以及人口特征（如年龄结构以及控制措施的时机、持续时间和有效性）的模拟疫情。我们利用这些模拟轨迹训练分类器，以预测住院率是否会提前三周超过预定义的地方容量阈值。当应用于2020年7月至2022年7月美国799个医疗服务区的COVID-19监测数据时，模拟训练模型的预测性能与每周使用积累的监测数据重新训练的模型相当。模拟训练的随机森林模型在整个研究期间ROC曲线下面积超过0.8，并在多个评估指标中表现出稳健性能，包括精确率-召回率曲线下面积、灵敏度和特异度。这些发现通过证明仅使用模拟数据训练的分类模型能够提前三周预测当地住院率的激增，为疫情数据稀缺阶段的本地决策制定提供了一种互补工具。

Xavier Emiliano Guaracha|Reza Yaesoubi