无症状COVID-19例捕捉隐藏数据提供了更好的流行情况

无症状COVID-19病例计算机建模者的克星”existences-they摆脱建模数据到一个未知的程度。你不能衡量你无法检测到的,对吧?洛斯阿拉莫斯国家实验室的新方法的理论部门,然而,探索使用历史流行来自八个不同国家的数据来估计的传输速率和分数低报情况。

“无症状病例暗物质“流行病”,尼克Hengartner说,报告的作者之一今天发表在《华尔街日报》《公共科学图书馆•综合》。“我们看到只有间接证据比报道,越来越多的人生病,如果我们不考虑他们,我们可能会错误地得出这样的结论流行是控制。所以我们改变了模型专注于观察计数,而不是试图模型“完美”的世界。通过回顾历史数据的时间序列,我们可以看到从他们的动力学失踪。”

捕捉无证案件具有重要意义的重要性,特别是在COVID-19等疾病,无症状的个体占20 - 70%的感染。

作者伊梅尔达·Trejo,洛斯阿拉莫斯国家实验室,博士后研究员指出,“这是一个新的扩展标准的爵士(susceptible-infected-recovered)流行病学模型来研究传染病的发病率少报。新模型表明,试图适应一个爵士模型类型直接生发病率数据低估了真正的传染率。这可以使决策者过早地宣布疫情控制。”Instead, the team presented a Bayesian method (a统计模型用概率来表示模型)内的所有不确定性估计的传输速率和分数少报情况。

测试数据的八个国家(阿根廷、巴西、智利、哥伦比亚、墨西哥、巴拿马、秘鲁和美国),新方法直接描述的动态观察,少报情况。“我们使用的局部动态观察到的情况下提出模型给了我们一个新病例的条件期望,根据观察到的历史,”Trejo说。