使用贝叶斯m-top探索方法评估COVID-19疫苗分配政策

《Scientific Reports》：Evaluating COVID-19 vaccine allocation policies using Bayesian m-top exploration

　　

摘要

基于个体的流行病学模型支持在计算机模拟中研究精细化的预防措施，例如定制的疫苗分配策略。由于基于个体的模型计算量较大，因此在合理的计算预算内确定最佳策略至关重要。此外，由于实施预防策略对社会具有重大影响，因此应向政策制定者传达决策中的不确定性，而这自然融入了贝叶斯方法中。我们提出了一种新的技术，使用多臂老虎机框架结合贝叶斯“随时m-top”探索算法来评估疫苗分配策略。“随时m-top”探索算法允许算法学习其预期效用最高的m种策略，使专家能够进一步研究这组有限的替代策略及其量化不确定性。随时性组件为政策顾问提供了关于计算时间和所需置信度的灵活性，这一点非常重要，因为事先很难做出这种权衡。我们以比利时COVID-19疫情为例，使用基于个体的STRIDE模型，学习了一组能够最小化感染和住院情况的疫苗接种策略。在这种设置中，每种策略都规定了在给定的社交接触减少政策下，不同类型的COVID-19疫苗如何在疫苗接种活动期间按年龄组进行分配。正式地，我们将每种独特的分配策略定义为我们多臂老虎机框架中的一个“臂”。通过实验，我们证明了我们的方法能够高效地识别出这m种最佳策略。最后，我们探讨了在不同接触减少方案和疫苗接种比例下如何最好地组织疫苗接种策略。我们发现，最佳策略在优先考虑的年龄组和分配的疫苗类型方面呈现出明确的趋势，这为未来的疫苗接种活动提供了启示。此外，我们的实验表明，接种比例对整体策略的最优性影响有限。