《Epidemics》：Leveraging regularity in COVID-19 growth rate dynamics for epidemic wave forecasting
编辑推荐：
本文针对2022-2023年COVID-19疫情波次缺乏严格季节性、现有方法不适用且历史波次数据有限的预测难题，提出了一种创新的贝叶斯预测框架。该方法另辟蹊径，关注疫情增长率的动态变化而非发病率本身，通过利用增长率的跨波次规律性，并结合高斯过程进行实时平滑与估计。研究证明，该框架能显著提高14天预测准确率（提升27%–61%），并能有效预测疫情波次的关键中长期统计量（如峰值时间和规模）。这一方法为缺乏严格季节性规律的传染病预测提供了新思路，具有重要的公共卫生决策参考价值。
新冠疫情为全球公共卫生带来了前所未有的挑战，实时预测疫情发展对于资源调配和政策制定至关重要。传统的传染病预测方法，特别是针对流感等具有年度稳定模式的疾病，通常基于发病率数据本身的高度规律性。然而，当奥密克戎（Omicron）变异株在2022年初出现后，COVID-19疫情虽然呈现出比大流行早期更规律的波浪式爆发，但每次波次的持续时间、峰值时间、规模和初始发病率仍然差异显著，缺乏严格的季节性，这使得传统方法难以准确预测其走向。
面对这一困境，研究人员观察到一个有趣的现象：尽管发病率本身的趋势变化莫测，但其增长率曲线在不同波次间却表现出更强的内在一致性。这一发现为构建新的预测模型提供了突破口。在最新发表于《Epidemics》的研究中，Matthew J.Y. Shin, Juliette Paireau和Simon Cauchemez领导的团队提出了一种新的贝叶斯建模范式，巧妙地绕开了发病率的不规则性，转而捕捉增长率的典型几何形态。他们开发了一套框架，首先从历史波次的增长速率曲线中学习关键动态属性，将其作为新波次参数的先验分布。当新一波疫情出现时，利用部分观测数据更新这一先验，从而得到后验模型，并最终通过积分预测未来的发病率趋势。这种方法的核心优势在于，它能够在没有可靠先导协变量（如流动性指标）的情况下，进行比恒定增长率假设更长期的中期预测，并能估算如疫情峰值时间和规模等重要指标。
研究者为开展此项研究，运用了以下几个关键技术方法：首先，他们使用高斯过程（GP）对原始时间序列进行季节性-趋势分解，以获取平滑的发病率趋势并估计实时增长率，这种方法相比传统的X-11/Henderson滤波器和X-11/LOESS方法，在处理存在变化季节性模式和噪音的数据时表现更优，将均方根误差降低了41%。其次，研究构建了一个描述单一流行病波次内增长速率动态的六参数分段正弦函数模型。最后，采用马尔可夫链蒙特卡洛方法对模型进行贝叶斯拟合与参数估计，并通过加权区间评分来评估模型的预测性能。
研究结果
- •
增长率的规律性：与发病率平滑趋势的易变性相比，COVID-19相关急诊就诊数的增长率轨迹在不同波次间表现出更强的规律性，这为基于增长率建模的预测方法提供了基础。这种规律性通过图表清晰展示：
- •
增长速率模型：研究提出了一个六参数（Apeak, Atrough, Tpeak, Tzero, Ttrough, T）的分段正弦模型来描述典型增长速率波形的几何形状，该模型与发病率趋势的拐点相对应，结构清晰直观。模型的具体形式和对应的发病率趋势如图示：peak, Tzero, Ttrough和 T）处开始和结束的四分之一正弦曲线组成。">
- •
预测性能评估：与基线模型（如常数增长率模型和季节性自回归综合移动平均模型SARIMA）相比，所提出的模型在14天预测范围内，加权区间评分（WIS）显著改善了27%至61%。这表明新模型在预测发病率趋势方面具有更高的准确性和可靠性。
- •
峰值预测能力：该模型能够利用有限的早期数据，对正在进行波次的发病率趋势峰值（峰值时间和规模）等中期统计量进行预测，为公共卫生部门提前规划应对措施提供了宝贵的时间窗口。
- •
技术方法比较：在模拟数据上，使用高斯过程进行实时平滑和增长率估计，相比流行的传统技术，将均方根误差降低了41%，有效缓解了数据平滑中的“端点问题”，提升了实时增长率估计的准确性。
结论与意义
本研究成功开发并验证了一个基于增长速率动态规律性的贝叶斯框架，用于预测缺乏严格季节性模式的传染病疫情波次。其核心贡献在于，当传统的基于发病率规律性或依赖外部协变量的预测方法失效时，该方法通过挖掘增长速率的内在几何规律，实现了更准确的中短期预测。研究表明，在COVID-19奥密克戎时期，增长速率轨迹的规律性足以支撑有效的预测建模。
这项工作的意义深远。首先，它为预测新兴或反复出现的流行病（如COVID-19、流感、呼吸道合胞病毒RSV等）提供了一种新的、有效的非机制性时间序列建模思路。其次，该方法不依赖于外部预测因子（如人员流动性数据），增强了其在数据有限或关联性减弱场景下的适用性。最后，模型能够提供关于疫情波次关键特征（如峰值）的预测，这对于公共卫生资源的战略规划和风险沟通具有直接的应用价值。该研究不仅改进了特定背景下的预测工具，也为更广泛的传染病预测学方法论发展开辟了新的方向。
