Dynamic survival analysis for non-Markovian epidemic models.
Dynamic survival analysis for non-Markovian epidemic models.
复制标题
DOI：
10.1098/rsif.2022.0124
复制
发表时间：
2022-06
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
在最小假设条件下，提出了一种分析随机流行病模型的新方法。该方法，被称为动态生存分析（DSA），是基于一个简单而强大的观察，即人口水平的平均场轨迹所描述的偏微分方程系统也可以近似个人水平的时间感染和恢复。这个想法产生了一定的非马尔可夫代理为基础的模型，并提供了一个代理级别的似然函数的随机样本的感染和/或恢复时间。对英国口蹄疫（2001年）和印度COVID-19（2020年）的合成和真实的流行病数据进行的广泛数值分析显示出良好的准确性，并证实了该方法在基于似然的参数估计中的通用性。随附的软件包为可能的用户提供了一个实用工具，以便借助数字生活系统分析方法对流行病数据进行建模、分析和解释。
We present a new method for analysing stochastic epidemic models under minimal assumptions. The method, dubbed dynamic survival analysis (DSA), is based on a simple yet powerful observation, namely that population-level mean-field trajectories described by a system of partial differential equations may also approximate individual-level times of infection and recovery. This idea gives rise to a certain non-Markovian agent-based model and provides an agent-level likelihood function for a random sample of infection and/or recovery times. Extensive numerical analyses on both synthetic and real epidemic data from foot-and-mouth disease in the UK (2001) and COVID-19 in India (2020) show good accuracy and confirm the method’s versatility in likelihood-based parameter estimation. The accompanying software package gives prospective users a practical tool for modelling, analysing and interpreting epidemic data with the help of the DSA approach.
登录
查看更多内容
影响因子：
2.4
作者：
Cui, Kai;KhudaBukhsh, Wasiur R.;Koeppl, Heinz
通讯作者：
Koeppl, Heinz
影响因子：
2
作者：
通讯作者：
--
影响因子：
56.9
作者：
Ferguson, NM;Donnelly, CA;Anderson, RM
通讯作者：
Anderson, RM
影响因子：
8.6
作者：
KLAFTER, J;SILBEY, R
通讯作者：
SILBEY, R
影响因子：
3.7
作者：
Arroyo-Marioli F;Bullano F;Kucinskas S;Rondón-Moreno C
通讯作者：
Rondón-Moreno C