一项开创性的研究揭示了一种新方法，可大大提高对COVID-19等传染病流行病学估计的精度。
一项开创性的研究揭示了一种新方法，可大大提高对COVID-19等传染病流行病学估计的精度。这项研究名为“通过现实历史依赖性疾病传播动态克服流行病参数估计中的偏差”，最近发表于《自然通讯》。
研究团队由KAIST的KIM Jae Kyoung教授及基础科学研究所（IBS）生物医学数学组首席研究员领导，参与者还包括来自国家数学科学研究所（NIMS）的CHOI Sunhwa博士和韩国大学的CHOI Boseung教授，着眼于传染病建模中的一个长期问题。传统上，模型依赖于历史独立动态，假设在各种疾病阶段之间的过渡发生的概率是恒定的，而与接触后的时间无关。这种方法在估计再生数(R)、潜伏期和传染期等重要参数时可能会引入显著的偏差。
相比之下，研究团队开发的新技术采用历史依赖模型，其中不同阶段的转变几率随时间变化。这种现实的方法纠正了旧方法中观察到的偏差，并使得即使仅基于确诊病例数据也能更精确地预测疾病传播。这对于评估诸如社交距离和疫苗接种等干预措施的有效性至关重要。
KIM Jae Kyoung教授表示：“我们的研究标志着流行病参数估计方式的一次重大变革。通过克服之前模型的局限性，我们现在能够为卫生官员提供有关疾病动态的更准确数据。这将促进更有效的干预策略，最终帮助更好地管理传染病暴发。”
韩国大学的CHOI Boseung博士，该研究的通讯作者指出：“这种新方法允许即使在不同干预措施和疾病演变引起传染期波动的情况下，也能准确估计传染期分布。传统模型无法实现这种参数估计的适应性。我们的发现将显著影响流行病学家和卫生当局应对未来大流行的方式。”
利用来自韩国首尔的早期COVID-19疫情数据，团队证明他们的方法产生的再生数估计明显比传统技术更为准确。他们发现传统方法可能使再生数的估计高达两倍，这可能导致不明智的政策选择。
CHOI Sunhwa博士强调：“这项研究代表了我们对传染病动态理解的重大飞跃。新方法为卫生官员提供了更可靠的数据，从而在大流行期间推动更明智的决策。”
研究团队还创建了一个用户友好的计算包，称为IONISE（非马尔科夫SEIR模型推理），简化了其复杂推理方法的应用。IONISE适用于各种流行病学模型，使其在不同传染病和干预背景下具有通用性。
HONG Hyukpyo博士认为，这种方法将彻底改变传染病建模和流行病参数估计的领域，为未来大流行提供更有效的公共卫生应对和策略奠定基础。
关于研究团队
这项研究由KAIST数学科学系、IBS生物医学数学组、NIMS和韩国大学大数据科学系的合作研究团队共同进行。该团队在数学建模和流行病学方面具有深厚的专业知识，致力于通过先进的数学框架和计算方法解决预测和控制传染病的关键挑战。
该研究得到韩国国家研究基金会、教育部、三星科学技术基金会和基础科学研究所等资助。
