全球COVID-19疫情主要预测模型比较分析

目的新冠感染病死率预测对于深入理解新冠病毒严重性、合理配置医疗资源及开展针对性防疫策略有重大意义。方法本研究依据新冠病毒变异优势株,将疫情发展划分四个时期,选取美国、印度、巴西、墨西哥、秘鲁、中国六个国家以及全球平均水平的病死率为研究对象。运用灰色模型、指数平滑模型、ARIMA模型、支持向量机、Prophet和LSTM模型六个模型进行拟合预测,探讨各模型的优缺点和适用性,选取效果最优的模型对全球和重点国家的病死率进行预测。结果模型比较显示多种模型各有优缺点,经预测,多数国家的累计确诊人数和累计死亡人数增长速度减缓,发展趋势逐渐平稳。结论传统时间序列模型适于发展趋势平稳、有限样本的预测;而机器学习模型更适用于波动型变化数据,可进行大样本预测,进一步外推,运用到其他卫生领域的研究。

针对香港地区2021年秋冬季COVID-19的趋势预测及中医防治建议

该研究以中医传统智慧—五运六气理论为依据,选择香港地区2020年1月18日(首例报告时间)—2021年8月31日COVID-19(corona virus disease 2019)的报告发病数据,及近30年的气象数据[即平均气压(hpa)、平均气温(℃)、最高气温(℃)、最低气温(℃)、平均相对湿度(%)、平均云量(%)、平均风速(km/h)、总雨量(mm)、总日照(h)共9项气象要素的日均值]。采用Logistic生长模型和指数平滑预测法,对2021年秋冬季(即9月1日-12月31日,含处暑、白露、秋分、寒露、霜降、立冬、小雪、大雪、冬至共九个节气)的COVID-19发病与气象变化情况进行预测。结果发现:今年秋季的白露节气(9月7日—9月22日)以及冬季的小雪—大雪节气(11月22日—12月20日)为香港地区COVID-19可能出现波动的两个时段。其中,脾虚湿胜及阳虚体质的人群尤应加强防护,中医推荐药物、针刺、艾灸、食疗等综合疗法进行早期预防及治疗。

国际临床试验注册平台COVID-19注册研究的趋势分析

目的探讨新型冠状病毒肺炎(COVID-19)大流行期,世界卫生组织(WHO)国际临床试验注册平台注册的COVID-19临床研究的整体趋势、主要模式。方法全面检索2019年12月31日至2021年12月31日,世界卫生组织(WHO)国际临床试验注册平台注册的COVID-19临床研究,以6个月为时间间隔,分为4个时间周期,采用描述性分析比较4个时间周期临床研究的整体发展趋势、主要模式。结果研究纳入12396项试验,涉及128个国家,计划招募337813461名受试者。23.7%(2934项)的临床研究已完成。69.2%(8575项)的临床研究在单一中心实施。在4个周期中,临床研究的数量整体呈下降趋势(从4965项减少至1670项)。临床研究获商业资助整体呈上升趋势,由13.3%增加至26.1%。计划开展研究的时间整体呈逐渐缩短的趋势,研究时间中位数为6.2个月(IQR:2.8,12.0个月)。干预性研究的比例从52.3%增加至65.0%。在6969项干预研究中,治疗型研究的数量逐渐减少(从69.6%减少至44.0%),而预防型研究的数量逐渐增加(从13.0%增加至34.4%)。仅有2.9%(202项)的研究关注COVID-19患者预后。60.0%(4178项)的干预研究符合国际医学期刊编辑委员会(ICMJE)的注册要求。结论COVID-19注册研究具有单中心和多样性的特点,研究目的逐渐从治疗转向预防,长期COVID的危害尚未得到足够关注,遵守注册的合规性相对较低,公共卫生部门、研究机构和资助方需要共同采取一系列措施来解决这些问题。

基于实时再生数的COVID-19预测模型及可视化平台开发

目的基于实时再生数建立COVID-19预测模型并开发新冠疫情可视化平台。方法利用上海市卫生健康委员会报告的COVID-19每日感染者数,将2022年3月1日—4月29日作为模型拟合阶段,通过贝叶斯分层模型估算实时再生数的变化情况并预测疫情发展,将4月30日—5月6日作为预测性能评估阶段,使用随机化概率分布变换和分级概率评分评估模型预测结果。使用Python、R等开源软件开发可视化平台。结果上海市疫情的实时再生数于4月5日首次降至1以下,模型预测本轮疫情将于6月中下旬实现“动态清零”,模型预测结果的概率分布和实际观察值在统计学上具有一致性(P=0.12)且集中度较好(382.53±105.29)。可视化平台可实现上海市疫情变化趋势描述和疫情预测两大功能,已于2022年4月19日开放访问。结论该模型预测性能良好,可视化平台填补了国内对COVID-19疫情数据深层次挖掘的空白,具有较好的扩展价值和应用前景。

COVID-19疫情期豁免航班飞行机组疲劳风险预测

为预测新冠肺炎疫情期间民航豁免政策下国际航班飞行机组的疲劳风险,以及为防疫豁免政策提供科学的验证方法和思路,以飞行机组在飞行值勤期的警觉性为验证指标,然后基于SAFTE模型理论,构建飞行机组警觉性评估模型,以航空公司豁免航班飞行机组机上轮换计划为例,进行飞行机组警觉性的数值模拟仿真。结果表明,国际航线实行豁免办法飞行时,应重点关注返程阶段负责巡航飞行的机组成员疲劳风险管理和缓解。同时,模型结果验证了按照公司运行要求提供的机上轮换计划进行飞行时,责任机长在起飞和降落阶段有较高的警觉性。

隔室模型和深度学习模型对COVID-19的预测研究

该文以隔室模型作为主干网络,在基础的SEIRD隔室模型上,考虑疫苗对疫情的影响,增加疫苗接种隔室,形成优化的SEIRDV隔室模型。结合隔室模型的可解释性和神经网络的准确性,通过PINN神经网络对隔室模型的微分方程参数进行学习。重点关注感染隔室的数据,以解释疫情的动态变化和爆发机制,并对神经网络得到的微分方程参数进行合理性检验。

基于长短时记忆网络的COVID-19预测研究

目的:探讨长短时记忆网络(Long Short Term Memory,LSTM)在新冠肺炎(Corona Virus Disease 2019,COVID-19)预测中的应用,实现对新冠肺炎更准确的预测。方法:以美国亚利桑那州新冠肺炎累计确诊病例数据为实验样本,采用基于长短时记忆网络构建的新冠肺炎预测模型进行预测,并分析不同因素对新冠肺炎预测模型预测效果的影响。结果:基于长短时记忆网络构建的新冠肺炎预测模型的均方根误差为3955.77,平均绝对误差为2959.85,平均绝对百分比误差为0.62%,均优于循环神经网络(Recurrent Neural Network,RNN)模型和反向传播(Back Propagation,BP)模型的预测效果。结论:基于长短时记忆网络构建的新冠肺炎预测模型准确率较高,对新冠肺炎疫情预测具有一定的实用价值。

基于神经网络的COVID-19数据分析与预测

文章针对新型冠状病毒(COVID-19)管控难以及疫情治理难等普遍性问题,对国内外疫情数据进行预处理并实现数据的可视化显示,然后通过时序分析方法中的趋势分析和突变分析识别,建立基于神经网络的数据分析模型——ANN模型和LSTM模型。通过训练模型展示出疫情相关结果,预测疫情发展趋势。其结果与实际趋势能够很好地对应起来,进一步验证了两种模型的有效性和实用性。

基于时变参数-SIR模型的COVID-19疫情评估和预测

该文基于COVID-19疫情发展到2020年2月1日所呈现的特点,对SIR模型进行了修正,使用易感再生数、当日感染率和潜伏感染率来求解病毒演化动力学方程,研究了感染人数的变化趋势,并分析了政府防控措施对趋势变化产生的影响。结果表明,从2020年1月24日后,政府的防控措施有效降低了病毒蔓延趋势。与1月24日之前呈现的趋势相比,截至2020年2月1日,实际感染人数较原趋势预估人数下降了超1/2。易感再生数、当日再生数和潜伏再生数都大幅度降低。基于目前的趋势,对易感再生数、当日感染率、潜伏感染率随时间的变化进行了分析,利用时变参数对疫情发展进行了预测。结果表明在2020年2月9日左右,疫情发展会达到高峰,随后确诊人数将出现下降。

基于加权平均樽海鞘群算法和BP神经网络的COVID-19预测

新型冠状病毒肺炎以其高传染性和高致病性成为全球关注的问题之一.有效预测COVID-19的累计确诊人数对COVID-19的防控具有重要价值.本文提出加权平均樽海鞘群算法(AVSSA),通过23个基准函数验证了AVSSA的有效性,进而利用AVSSA优化BP神经网络建立预测模型AVSSA-BP,实现COVID-19的预测.实验结果表明预测模型AVSSA-BP有最小的误差和最高的确定性系数,验证了AVSSA-BP的有效性.

基于XGBoost的COVID-19患者重症风险早期预测模型的建立与评价

目的利用新型冠状病毒病(corona virus disease 2019,COVID-19)患者的临床特征数据构建XGBoost预测模型,并评价预测模型对COVID-19患者重症进展风险早期预测的效能。方法对2020年2月10日至4月5日火神山医院病案系统内经实验室确诊的COVID-19患者进行筛选,共收集347例有完整医疗信息和实验室检查结果的患者数据。首先筛选出21个具有显著性差异的指标作为训练模型的输入特征;对构建的XGBoost模型进行贝叶斯优化以调整参数,并基于特征重要性筛选出最优特征组合;进一步分析各特征数值大小对预测结果的正负影响,利用SHAP(SHapley Additive exPlanation)对各特征重要性进行量化和归因;对XGBoost预测模型进行性能评价,并将其与其他机器学习方法进行对比,讨论其优势所在。结果本研究选取21个重症组与非重症组差异显著的特征进行训练和验证。在K最邻近(k-nearest neighbor,KNN)模型中具有10个特征的最优子集获得了验证集中4个模型中曲线下面积(area under curve,AUC)值的最高值。年龄、脉率、白细胞计数、中性粒细胞计数、C-反应蛋白、总胆红素、肌酐、D-二聚体(D-Dimer)越高,疾病重症风险越高;淋巴细胞计数、白蛋白水平越低,疾病重症风险越高。XGBoost与支持向量机的预测性能优于其他机器学习方法(在测试集上AUC值分别为0.9420、0.9594),其中XGBoost训练速度明显更优。结论基于XGBoost成功建立了预测模型,以最优特征子集实现了对COVID-19患者重症进展风险的早期预测。

基于Elman神经网络的COVID-19传播特性预测

基于整个新型冠状病毒肺炎(COVID-19)疫情发展过程中所呈现的特点,在有限的数据情况下,使用过去事件中新增感染人数、媒体宣传力度、政府隔离强度以及公共场所消毒程度等因素作为动态信息来训练Elman神经网络,用以学习COVID-19疫情发展情况,使得Elman神经网络掌握疫情的传播规律。通过模拟仿真,发现经过有效训练后的Elman神经网络具备对COVID-19传播发展的各个关键时间节点进行精准预测的能力,实验数据表明:预测的疫情发展时间关键节点与实际疫情发展情况基本吻合。

影响老年新型冠状病毒感染患者院内死亡的因素及风险预测模型的构建

目的研究影响老年新型冠状病毒感染(COVID-19)患者院内死亡的因素,并构建风险预测模型。方法根据《新型冠状病毒感染诊疗方案(试行第十版)》诊断标准,选取775例在长沙市第一医院急诊科及发热门诊就诊并确诊为COVID-19的老年患者(≥60岁)为研究对象,收集患者一般资料及血清生物学标志物,并将治疗后患者分为生存组与院内死亡组,采用二元Logistic回归筛查死亡的独立影响因素,应用接受者操作特征曲线(ROC)曲线分析相关指标对院内死亡的预测价值。结果775例COVID-19患者经治疗后,生存组712例(91.9%),院内死亡组63例(8.3%)。二元Logistic回归分析:≥90岁[OR=5.065,95%CI(1.427,17.974)]、2型糖尿病[OR=3.757,95%CI(1.649,8.559)]、慢性阻塞性肺疾病[OR=5.625(95%CI(2.357,13.421)]、单核细胞比率[OR=0.908(95%CI(0.857,0.963)]、血浆纤维蛋白原[OR=1.376(95%CI(1.053,1.800)]、乳酸脱氢酶[OR=1.005(95%CI(1.001,1.008)]是院内死亡的独立影响因素(P<0.05)。糖尿病+慢性阻塞性肺疾病+年龄+单核细胞比率+血浆纤维蛋白原+乳酸脱氢酶对COVID-19患者院内死亡预测价值:曲线下面积(AUC)为0.883(95%CI:0.827,0.940,P<0.001),其临界值≥0.710时提示院内死亡风险,特异性为0.851,敏感度为0.857。结论老年人COVID-19后院内死亡率较高,并与年龄、2型糖尿病、慢性阻塞性肺疾病、单核细胞比率、血浆纤维蛋白原、乳酸脱氢酶密切相关。

重症COVID-19肺炎肺纤维化关键基因的筛选

目的 通过生物信息学方法筛选重症COVID-19肺炎患者肺纤维化的关键基因,并预测重症COVID-19肺炎肺纤维化的潜在治疗性中药。方法 从GEO数据库中下载重症COVID-19肺炎肺纤维化的表达矩阵(GSE206788),通过R语言确定重症COVID-19肺炎肺纤维化组与正常对照组的差异表达基因(DEGs),进行基因本体(gene ontology,GO)功能注释和京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)富集分析,同时进行蛋白质互作网络分析,5种算法取交集得到关键基因,通过Coremine Medical平台筛选可能的治疗中药。结果 共筛选出249个差异基因,GO功能注释结果显示,DEGs主要在信号转导、免疫应答、炎症反应、质膜、细胞外区域、蛋白质结合功能等富集。KEGG通路分析结果显示,DEGs主要在癌症、磷脂酰肌醇3-激酶(phosphatidylinositol 3-kinase,PI3K)/蛋白激酶B(protein kinase B,Akt)、丝裂原活化蛋白激酶(mitogen-activated protein kinase,MAPK)等信号通路富集。共筛选出10个关键基因:IL-10、IRF4、JUN、PTK2、TNF、KDR、CXCL8、SMAD3、NOTCH1、RPS27A,通过Coremine Medical平台筛选得到黄芩、黄芪、茶树根、人参、灵芝、丹参等多味具有潜在疗效的中药。结论 本研究筛选出了重症COVID-19肺炎肺纤维化的关键基因及预测了潜在的治疗性中药,为临床治疗的研究提供了参考。

基于自增强泊松过程的COVID-19疫情预测

在COVID-19疫情的防控工作中,对疫情传播过程中确诊人数的预测工作具有重要意义。在现有疫情传播预测工作中,以SEIR(Susceptible-Exposed-Infected-Recovered)模型为代表的传染病模型能反映疫情相关人群人数变化,但由于其人群均匀接触的前提假设,模型的应用具有局限性。基于时间序列分析的模型可以通过简单建模历史确诊人数的时间序列对当前确诊人数进行预测,但缺乏对传染病传播的传染性、爆发性、衰减性等固有性质的认识,对疫情发展趋势变化的预测能力受到制约。为解决上述问题,该文采用基于自增强泊松过程(Reinforced Poisson Process, RPP)的模型对疫情确诊人数进行预测,考虑病毒传染性、级联传染的自增强效应和病毒传播的时效性等三个关键因子,对疫情传播的动态过程进行建模,从而对确诊人数做出预测。实验证明,相较SEIR模型,使用RPP模型进行疫情预测不依赖人群均匀混合假设,在各尺度的地理区域都有稳定且准确的预测结果,也解决了SEIR模型在后期预测值过高的问题;对比时间序列分析模型,RPP模型能够掌握疫情发展的内在规律,对疫情发展前、中、后期的发展趋势预测误差分别减小5.29%、5.04%,0.47%,并且能准确把握疫情发展的重要阶段性变化。该文方法已应用于线上平台实时疫情预测,平均误差率小于0.5%。

非线性组合动态传播率模型与我国COVID-19疫情分析和预测

针对传统的流行性传染病学中基本传染数R_(O)难以准确估计以及单一模型预测精度低的缺陷,利用组合动态传播率替换基本传染数R_(O),提出基于支持向量回归的非线性时变传播率模型并对我国COVID-19疫情进行分析和预测。首先,计算动态传播率的离散值;其次,使用多项式函数、指数函数、双曲函数和幂函数分别对动态传播率的离散值进行拟合并基于最佳滑窗期k=3构建相应的预测模型;接着,基于拟合优度等评价指标选择最佳的三种单一模型并对其预测结果进行非线性组合;最后,利用非线性组合动态传播率模型对湖北、全国除湖北和全国COVID-19疫情进行分析和预测。实证结果表明提出的非线性组合动态传播率模型对不同地区COVID-19疫情数据的预测误差均相对较小;对重点省市COVID-19疫情的拐点预测切实合理;湖北、全国除湖北与全国自2020年2月27日起后20天疫情预测曲线的拟合优度分别为98.53%、98.06%和97.98%。

不同评分方法对COVID-19影像学显著进展的预测价值

目的探讨PSI、CURB-65、MuLBSTA、COVID-GRAM四种肺炎严重度评分对COVID-19影像学显著进展的预测价值。方法回顾性分析苏州大学附属传染病医院收治的87例COVID-19住院患者的临床资料,以入院72小时内出现肺部影像学显著进展(>50%)作为研究终点,进行危险程度分组,并绘制受试者工作特征曲线(ROC),比较曲线下面积(AUC),评估各评分工具的临床效能。结果将87例患者分为显著进展组20例(22.99%),非显著进展组67例(77.01%)。按照PSI、CURB-65评分标准,87例患者均未纳入高危组,按照MuLBSTA、COVID-GRAM评分标准,分别有10.34%、11.49%的患者纳入高危组,这其中出现影像学显著进展的比例分别为77.78%、60.00%。当取各自的最佳截点值时,预测COVID-19影像学显著进展的AUC分别为0.588、0.678、0.882、0.886,敏感度分别为64.20%、74.60%、67.20%、86.60%,特异度分别为60.00%、60.00%、95.00%、80.00%。当MuLBSTA与COVID-GRAM两者联合诊断时,取最佳截点值时,其敏感度为83.70%,特异度为91.30%,AUC为0.924。结论PSI和CURB-65对COVID-19影像学显著进展的临床预测效能上表现不佳,并不适用于COVID-19影像学进展的风险评估。而MuLBSTA和COVID-GRAM对COVID-19影像学显著进展具有很好的预测价值,这两者联合的预测价值则更高,可以有效筛查病情显著进展的高危患者。

基于贝叶斯加权LSTM网络的COVID-19多序列预测

目的:基于贝叶斯优化方法构建COVID-19疫情的加权长短期记忆(LSTM)多序列预测模型,提高对COVID-19疫情的预测精度。方法:首先,通过引入输出权重系数,建立COVID-19的加权LSTM多序列预测模型;其次,提出一种基于贝叶斯优化的加权LSTM多序列预测模型(Bayesian Weighted LSTM,BW-LSTM),并根据不同超参数间的关联特点,基于两步优化策略实现权重系数以及其它超参数的优化学习;最后,基于BW-LSTM模型实现COVID-19疫情的多序列预测。结果:与其它传统深度学习模型对比,基于BW-LSTM的COVID-19预测模型能获得更优的预测精度。结论:本文提出的加权LSTM多序列预测模型及其参数的贝叶斯优化学习算法,能够有效提升网络学习效率,提高模型预测精度。

COVID-19数据可视化及预测分析

COVID-19(新型冠状病毒)是新型的严重呼吸系统疾病。从2019年12月开始在中国武汉开始大范围暴发传播,当时正值春运,全国处于人口流动高峰期,给病毒传播提供有利条件,对中国人民的人身安全造成了严重的威胁,给社会经济带来了巨大的损失。文章对COVID-19疫情的发展进行了研究,其目的是通过编写爬虫,从国家卫健委及各省卫健委收集相关数据,将数据可视化来展示病毒传播特点,分析病毒传播的特征和模式,通过建立SIR模型分析疾病的发展过程,预测疫情疾病走势。

广东省新型冠状病毒肺炎疫情流行趋势的初步预测

目的:通过计算和预测广东省新型冠状病毒肺炎的基本再生数,研究广东省疫情的流行趋势为其防控和相关政策支持提供依据.方法:依据广东省卫健委截至2020年2月8日的官方数据,构建传染病动力学SIR模型,计算现阶段新型冠状病毒肺炎基本再生数,并结合指数平滑法对未来基本再生数的变化加以预测.结果:疫情初期,广东省新冠肺炎基本再生数为2.48,并呈现波动下降的趋势.疫情将在2月下旬迎来拐点,3月下旬疫情将走向消亡.结论:新型冠状病毒肺炎在广东省的传播致病能力逐渐降低,目前阶段疫情正在逐步得到控制,采用及时有效的防控措施能够加快疫情的扑灭.