权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Bayesian Nonparametric Inference for Stochastic Epidemic Models

随机流行病模型的贝叶斯非参数推理

基本信息

批准号：
EP/J013528/1
负责人：
Theodore Kypraios
金额：
$ 12.29万
依托单位：
University of Nottingham
依托单位国家：
英国
项目类别：
Research Grant
财政年份：
2012
资助国家：
英国
起止时间：
2012 至无数据
项目状态：
已结题

来源：
https://gtr.ukri.org/projects?ref=EP%2FJ013528%2F1
关键词：
Bayesian Nonparametric Inference Stochastic Epidemic

项目摘要

Understanding the spread of communicable infectious diseases is of great importance in order to prevent major future outbreaks and therefore it remains high on the global scientific agenda. It has been widely recognised that mathematical and statistical modelling has become a valuable tool in the analysis of infectious disease dynamics by supporting the development of control strategies, informing policy-making at the highest levels, and in general playing a fundamental role in the fight against the spread of disease. Despite the enormous attention given to the development of methods for efficient parameter estimation, there has been relatively little activity in the area of non-parametric inference. That is, drawing inference for the quantities which govern transmission, i) the force of infection and ii) the period during which an individual remains infectious, without making certain modelling assumptions about its (parametric) functional form or that it belongs to a certain family of parametric distributions. The proposed research is concerned with the development of new methodology which will enable non-parametric estimation of the parameters which govern transmission within a Bayesian framework and the application of the proposed methods to large disease outbreak datasets.

了解传染性疾病的传播对于预防未来的重大暴发非常重要，因此它仍然是全球科学议程上的重要议题。人们普遍认识到，数学和统计模型已成为分析传染病动态的宝贵工具，它支持制定控制战略，为最高一级的决策提供信息，并在防治疾病传播方面发挥基本作用。尽管对有效参数估计方法的发展给予了极大的关注，但在非参数推理领域的活动相对较少。也就是说，在没有对其（参数）函数形式或属于某一参数分布族做出某些建模假设的情况下，对控制传播的数量进行推断，即i)感染力和ii)个体保持传染性的时间。拟议的研究涉及新方法的发展，该方法将能够在贝叶斯框架内对控制传播的参数进行非参数估计，并将拟议的方法应用于大型疾病暴发数据集。

项目成果

期刊论文数量（5）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Machine Learning for Healthcare Technologies

医疗保健技术的机器学习

DOI：
发表时间：
2016
期刊：
影响因子：
0
作者：
Hensman, T.
通讯作者：
Hensman, T.

Bayesian Nonparametrics for Stochastic Epidemic Models

DOI：
10.1214/17-sts617
发表时间：
2018-02-01
期刊：
STATISTICAL SCIENCE
影响因子：
5.7
作者：
Kypraios, Theodore;O'Neill, Philip D.
通讯作者：
O'Neill, Philip D.

Bayesian Non-Parametric Inference for Infectious Disease Data

传染病数据的贝叶斯非参数推理

DOI：
10.48550/arxiv.1411.2624
发表时间：
2014
期刊：
arXiv e-prints
影响因子：
0
作者：
Knock Edward S.
通讯作者：
Knock Edward S.

Bayesian non-parametric inference for stochastic epidemic models using Gaussian Processes.

DOI：
10.1093/biostatistics/kxw011
发表时间：
2016-10
期刊：
Biostatistics (Oxford, England)
影响因子：
0
作者：
Xu X;Kypraios T;O'Neill PD
通讯作者：
O'Neill PD

Bayesian nonparametric inference for stochastic epidemic models

随机流行病模型的贝叶斯非参数推理

DOI：
发表时间：
2015
期刊：
影响因子：
0
作者：
Xu Xiaoguang
通讯作者：
Xu Xiaoguang

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Theodore Kypraios其他文献

Uncertainty mapping and probabilistic tractography using Simulation-based Inference in diffusion MRI: A comparison with classical Bayes

在扩散磁共振成像中使用基于模拟的推理进行不确定性映射和概率性纤维束追踪：与经典贝叶斯的比较

DOI：
10.1016/j.media.2025.103580
发表时间：
2025-07-01
期刊：
MEDICAL IMAGE ANALYSIS
影响因子：
11.800
作者：
J.P. Manzano-Patrón;Michael Deistler;Cornelius Schröder;Theodore Kypraios;Pedro J. Gonçalves;Jakob H. Macke;Stamatios N. Sotiropoulos
通讯作者：
Stamatios N. Sotiropoulos