捕获无症状COVID-19病例的隐藏数据可以更好地了解大流行情况

无症状的COVID-19病例是计算机建模师的祸害——它们会在未知的程度上丢弃建模数据。你无法测量你无法探测到的东西，对吧?然而，洛斯阿拉莫斯国家实验室理论部门的一种新方法探索使用来自八个不同国家的历史流行病数据来估计传播率和漏报病例的比例。

“无症状病例是暗物质”今天发表在该杂志上的这份报告的作者之一尼克·亨加特纳说《公共科学图书馆•综合》．“我们只看到了间接证据，表明患病人数比报道的要多，如果我们不考虑这些因素，我们可能会错误地得出结论疫情都在控制之中。所以我们改变了模型，专注于观察到的计数，而不是试图模拟“完美”的世界。通过回顾历史数据的时间序列，我们可以从他们的动态中看到缺失的东西。”

捕获无记录病例具有重要意义，特别是在COVID-19这样的疾病中，无症状患者占所有感染病例的20-70%。

该研究的合著者、洛斯阿拉莫斯的博士后Imelda Trejo指出:“这是对标准SIR(易感感染-康复)流行病学模型的新扩展，用于研究漏报的传染病发病率。新模型表明，试图将SIR模型类型直接拟合到原始发病率数据将低估真实的感染率。这实际上可能导致决策者过早地宣布疫情已得到控制。”相反，该团队提出了一种贝叶斯方法(a统计模型用概率表示模型内的所有不确定性)来估计传播率和漏报病例的比例。

通过对八个国家(阿根廷、巴西、智利、哥伦比亚、墨西哥、巴拿马、秘鲁和美国)的数据进行测试，新方法直接描述了观察到的、漏报的病例的动态。“我们利用观察到的案例的局部动态来提出一个模型这给了我们一个有条件的新病例预期，基于观察到的历史，”特雷霍说。