DOI: https://doi.org/10.1038/s41598-024-51852-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38238407
تاريخ النشر: 2024-01-18
المؤلف: Gerardo Chowell وآخرون
الموضوع الرئيسي: دراسات وبائية حول COVID-19
نظرة عامة
يقدم هذا القسم نظرة عامة على GrowthPredict، وهو صندوق أدوات MATLAB مصمم للتنبؤ قصير المدى في الوقت الحقيقي لعمليات النمو، وخاصة في سياق نمذجة الأوبئة. هذه الأداة سهلة الاستخدام تستخدم نماذج نمو ديناميكية ظاهرة تعتمد على المعادلات التفاضلية العادية لتناسب وتنبؤ بيانات السلاسل الزمنية. وهي متاحة لجمهور متنوع، بما في ذلك الطلاب والباحثين في البيولوجيا الرياضية، والإحصاءات التطبيقية، ونمذجة الأمراض المعدية. يشمل صندوق الأدوات نماذج مختلفة، مثل نموذج النمو الأسي ذو المعامل الواحد ونموذج النمو العام ذو المعاملين، والتي تكون فعالة في وصف المرحلة الصاعدة من الأوبئة، بالإضافة إلى نماذج أكثر تعقيدًا مثل نماذج غومبرتز وريتشاردز لتفشي الذروة الواحدة.
يؤكد البرنامج التعليمي على قدرات صندوق الأدوات في توليد التنبؤات مع عدم اليقين الكمي، باستخدام إعادة التقدير البارامترية لاستنتاج فترات التنبؤ وتقييم الدقة. يتضمن وظائف لتقييم أداء التنبؤ عبر نماذج وهياكل خطأ مختلفة، مما يجعله موردًا قيمًا لصانعي السياسات والباحثين الذين يحتاجون إلى توجيه التدخلات بناءً على بيانات الوقت الحقيقي. تم الإشارة إلى إدخال واجهة ويب وتحسينات للاستخدام والسرعة كتنمية مستقبلية لتوسيع الوصول للمستخدمين بمستويات مختلفة من خبرة البرمجة.
النتائج
في هذا القسم، يحدد المؤلفون هيكل ومتطلبات مجموعة البيانات المدخلة المستخدمة في صندوق الأدوات الخاص بهم لتحليل بيانات السلاسل الزمنية. يجب تنسيق البيانات كملف نصي بامتداد *.txt، حيث تمثل العمود الأول مؤشر الوقت (0، 1، 2، 3، …) ويحتوي العمود الثاني على بيانات الحدوث الزمني. إذا كانت مجموعة البيانات تتضمن عدادات الحدوث التراكمية، يجب أن يبدأ اسم الملف بـ “cumulative.”
لتوضيح المنهجية، يستخدم المؤلفون بيانات الحدوث الأسبوعية لحالات جدري القرود المبلغ عنها في الولايات المتحدة، المستمدة من مراكز السيطرة على الأمراض والوقاية منها (CDC) للفترة من 12 مايو 2022 إلى 15 ديسمبر 2022. تم تحميل هذه المجموعة مسبقًا في مجلد الإدخال الخاص بصندوق الأدوات، الموجود تحديدًا في ./input/Most_Recent_Timeseries_US-CDC.txt. بالإضافة إلى ذلك، يصف القسم كيف يمكن للمستخدمين تحديد معلمات ملاءمة النموذج والتنبؤ في ملفات options_fit.m و options_forecast.m، بما في ذلك المعلمات لاسم ملف البيانات، اسم المرض، ونوع البيانات (مثل: الحالات، الوفيات، الاستشفاء).
المناقشة
يحدد القسم المناقش تنفيذ ووظائف صندوق أدوات MATLAB المصمم لنمذجة نمو الأوبئة والتنبؤ. يتم إرشاد المستخدمين خلال عملية التثبيت، التي تتضمن تنزيل الكود، إعداد دلائل الإدخال والإخراج، وتكوين معلمات النموذج في ملفات MATLAB محددة. يسهل صندوق الأدوات سير عمل منظم يتضمن محاكاة أولية، ملاءمة النموذج من خلال الاستدلال الإحصائي، التنبؤ مع عدم اليقين الكمي، وحساب الرقم الفعال للتكاثر ($R_t$) لسلاسل زمنية وبائية.
يتم إجراء تقدير المعلمات بشكل أساسي باستخدام طرق المربعات غير الخطية (LSQ)، التي تقلل من مجموع الفروق المربعة بين البيانات الملاحظة وتنبؤات النموذج. يدعم صندوق الأدوات نماذج نمو مختلفة، بما في ذلك نموذج النمو العام (GGM)، نموذج النمو اللوجستي العام (GLM)، نموذج ريتشاردز، ونموذج غومبرتز، كل منها يتميز بمعلمات محددة يمكن تعديلها للتناسب. بالإضافة إلى ذلك، يتوفر تقدير الاحتمالية القصوى (MLE) للحالات ذات هياكل خطأ محددة، مثل توزيعات بواسون أو ثنائية الحد السلبية. كما يبرز القسم أهمية تقييم ملاءمة النموذج من خلال مقاييس مثل معيار معلومات أكايكي المصحح (AICc) ويقدم طرقًا لتحديد عدم اليقين في المعلمات عبر إعادة التقدير البارامترية، التي تولد فترات الثقة لتقديرات المعلمات والتنبؤات. بشكل عام، تم تصميم صندوق الأدوات لتعزيز دقة وموثوقية نمذجة الأوبئة والتنبؤ.
DOI: https://doi.org/10.1038/s41598-024-51852-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38238407
Publication Date: 2024-01-18
Author(s): Gerardo Chowell et al.
Primary Topic: COVID-19 epidemiological studies
Overview
The section presents an overview of GrowthPredict, a MATLAB toolbox designed for real-time short-term forecasting of growth processes, particularly in the context of epidemic modeling. This user-friendly tool employs phenomenological dynamic growth models based on ordinary differential equations to fit and forecast time-series data. It is accessible to a diverse audience, including students and researchers in mathematical biology, applied statistics, and infectious disease modeling. The toolbox encompasses various models, such as the 1-parameter exponential growth model and the 2-parameter generalized growth model, which are effective in characterizing the ascending phase of epidemics, as well as more complex models like the Gompertz and Richards models for single peak outbreaks.
The tutorial emphasizes the toolbox’s capabilities in generating forecasts with quantified uncertainty, utilizing parametric bootstrapping to derive prediction intervals and assess accuracy. It includes functions for evaluating forecasting performance across different models and error structures, making it a valuable resource for policymakers and researchers needing to guide interventions based on real-time data. The introduction of a web interface and enhancements for usability and speed are noted as future developments to broaden accessibility for users with varying levels of programming expertise.
Results
In this section, the authors outline the structure and requirements for the input dataset used in their toolbox for analyzing time series data. The data must be formatted as a text file with a *.txt extension, where the first column represents the time index (0, 1, 2, 3, …) and the second column contains the temporal incidence data. If the dataset includes cumulative incidence counts, the filename must begin with “cumulative.”
To exemplify the methodology, the authors utilize the weekly incidence data of monkeypox cases reported in the USA, sourced from the Centers for Disease Control and Prevention (CDC) for the period from May 12, 2022, to December 15, 2022. This dataset is pre-loaded in the toolbox’s input folder, specifically located at ./input/Most_Recent_Timeseries_US-CDC.txt. Additionally, the section describes how users can specify model fitting and forecasting parameters in the options_fit.m and options_forecast.m files, including parameters for the data filename, disease name, and data type (e.g., cases, deaths, hospitalizations).
Discussion
The discussed section outlines the implementation and functionality of a MATLAB toolbox designed for modeling epidemic growth and forecasting. Users are guided through the installation process, which involves downloading the code, setting up input and output directories, and configuring model parameters in specific MATLAB files. The toolbox facilitates a structured workflow that includes preliminary simulations, model fitting through statistical inference, forecasting with quantified uncertainty, and calculating the effective reproduction number ($R_t$) for epidemic time series.
Parameter estimation is primarily conducted using nonlinear least squares (LSQ) methods, which minimize the sum of squared differences between observed data and model predictions. The toolbox supports various growth models, including the Generalized Growth Model (GGM), Generalized Logistic Growth Model (GLM), Richards Model, and Gompertz Model, each characterized by specific parameters that can be adjusted for fitting. Additionally, maximum likelihood estimation (MLE) is available for cases with specific error structures, such as Poisson or negative binomial distributions. The section also emphasizes the importance of assessing model fit through metrics like the corrected Akaike Information Criterion (AICc) and provides methods for quantifying parameter uncertainty via parametric bootstrapping, which generates confidence intervals for parameter estimates and forecasts. Overall, the toolbox is designed to enhance the accuracy and reliability of epidemic modeling and forecasting.