看人类行为是建设一个更好的长期COVID预测的关键

从另一波COVID-19极端天气,预测给决策者宝贵的时间来准备。不过,当谈到COVID长期预测是一个挑战,因为它涉及到人类行为。

虽然它有时似乎没有逻辑行为新的研究正在努力改善,将这种行为纳入COVID预测预测模型。

康州大学学院农业、健康和自然资源联合健康研究员许,连同合作者Hazhir Rahmandad从麻省理工学院,和Navid Ghaffarzadegan从弗吉尼亚理工大学,在今天发表的一篇文章公共科学图书馆计算生物学他们详细的如何应用相对简单但微妙的变量来提高建模功能,结果他们的方法优于大多数模型目前用来通知决定由联邦疾病控制和预防中心(CDC)。

徐解释说,他和他的合作者是方法学家,研究他们感兴趣的参数COVID预测模型的预测精度的影响。开始,他们转向CDC预测中心,作为存储库的模型来自美国。

“目前有超过70个不同的模型,主要来自大学和一些公司,每周更新一次,”徐说。“每个星期,这些模型给预测病例和死亡人数在接下来的几周。CDC使用这些信息告知他们的决定;例如,在战略上集中他们的努力还是建议人们做社会距离。”

人的因素

超过490000点的数据是一个顶点在57我们地区每周死亡事件的预测在过去的一年。研究人员分析了预测的长度和相对准确的预测是如何在14周的时期。进一步分析,徐说,他们发现了一些有趣的分类模型时根据自己的方法:“纯粹的数据驱动的模型,如机器学习和曲线拟合模型,我们发现他们在短期内做得更好预测,而theory-driven模型做得更好预测从长远来看。”

起初,这看起来可能有些奇怪,但是徐解释说,归结为人类行为的差异。

“这是奇怪的,不奇怪,本身,”徐说。“如果你没有理论和模型只是一堆数据和工作机器学习当然,他们要做一个好工作在较短时间内实现。但长期中期真正重要的是你需要有一个理论解释了为什么人们做他们做的事。”

将行为组件中模型相对简单,徐说。

“当我们看着那些60 - 70模型,我们觉得有一个关键的行为机制缺失。机制是当人们看到更多的死亡或他们认为COVID感染是危险的,然后他们自愿减少流动性或做社会距离。然而,一旦死亡率减少,人们回到他们正常的活动。通过模型,其中的一些建模这内生反馈循环。”

对未来的见解

研究人员认为这种反馈循环,虽然很大程度上忽略了其他模型,为中期长期预测提供了最大的利益。

Rahmandad说,研究表明长期预测建模的关键是不一定创建更复杂的模型,但战略将正确的元素。

“创建一个成功的长期预测模型,我们可以从小事做起,使用一个简单的、机械的模型中,“Rahmandad说。“我们可以把关键机械features-particularly内生的代表人类行为在互动发展的大流行。”

当检查模型在疾病预防控制中心中心,一些行为组件,徐说,但很少考虑他们如何随时间变化或变化的函数如何疾病进展。

“我认为传染病合并行为建模和开发相关行为理论仍然是一个需要更多的研究领域,目前我们没有全面理论解释人们如何行为在流行/传染病疫情,”徐说。“这需要多个学科之间的协作,如社会科学家、流行病学家、和方法论者”。

将反馈回路后,研究人员发现该模型在预测COVID的轨迹,表现很好,徐强调这表明重要行为动态合并到传染病模型。

“这个模型发展的目的不是提供实时预测,但它可能为未来的预测模型提供见解。这个简单的模型做的更好,特别是从长远来看。”