鉴于2019冠状病毒病(COVID-19)大流行的广泛和影响性质，已经开发了许多模型来预测各种疾病指标，如预期感染人数和由此导致的住院人数，使医疗保健服务部门能够为此类疫情做好准备。
在最近上传到预印本服务器*的一篇论文中，描述了一个能够在短期内预测可能的COVID-19住院人数的简单模型，它需要的输入信息更少，产生的预测比其他模型更准确。
背景
在COVID-19大流行开始阶段开发的早期模型一般侧重于评估非药物干预措施的影响。相比之下，这里开发的模型称为COVIDNearTerm，旨在预测未来两到四周的COVID-19医院数量。
还开发了其他短期预测模型，这些模型依赖于观察到的病毒在群体之间的转移速度或其他非常容易波动的值，因此需要在前所未有的情况下收集大量数据。
作者着手建立一个预测模型，避免了许多这些变化来源，而是依赖医院数据，如最近几周的入院趋势，以确定COVID-19爆发的可能性。
作者指出，最严重的严重急性呼吸系统综合征冠状病毒2 (SARS-CoV-2)感染会在首次症状出现后3至10天住院治疗。因此，需要一种短期预测方法来适应感染的突然激增。
开发COVID-19预测模型
与其他传染病一样，COVID-19患者住院人数呈指数增长和下降模式。这个小组开始用数学来表示，今天的住院人数是昨天的倍数加上一个随机误差。
利用一组训练数据来确定乘法因子和数据加权，以便更充分地考虑最近的观察结果。最终，这使得该小组能够根据以前的每日摄入量来估计未来的住院率，其中的上升或下降率代表即将到来或过去的疫情。
为了检验COVIDNearTerm模型的有效性，研究小组将其与此前在疫情早期使用的CalCAT模型进行了比较。从2020年5月4日到2020年6月14日，湾区6个县的数据被用作培训集，用于在2周、3周和4周后进行预测，以及对2021年5月1日的医院状况进行长期预测。
然后将从模型中得到的预测与这些日期的实际数字进行比较，从而确定模型的准确性。在所有6个县，14天预测的平均百分比误差为16-36%，在四周时间点的平均百分比误差为34-54%。预测与实际数字之间的差异最小的总是在人口最多、样本量最大的县，而误差最大的总是在人口最少的县。
CalCAT模型的误差明显大于COVIDNearTerm模型。例如，在圣克拉拉县，前者在1周、2周和3周时分别产生了31%、42%和58%的误差。相比之下，后者在相应的时间点只产生16%、23%和34%的错误。
该小组还比较了使用相同数据集的其他几个短期预测模型，发现在某些情况下，其他方法产生了更准确的结果。然而，在18个比较中，covid - nearterm在10个病例中是最准确的，这表明住院数据可用于COVID-19病例的短期建模，其有效性至少与其他数据来源(如广泛的常规检测以确定社区传播率)一样。
结论
作者指出，在他们的预测过程中，他们获得了最新和最近的住院数据，这是其他模型可能没有的。在这个模型中，影响住院率的几个变量完全被忽略了。
专家组强调了以普遍适用于所有医院的方式执行这些额外变量的困难。此外，该模型依赖于COVID-19病例的连续性来预测未来的指数增长或下降速度，因此不适合预测突发疫情的进程。
*我创造的通知
medRxiv发表未经同行评审的初步科学报告，因此不应被视为结论性的、指导临床实践/与健康有关的行为的，或被视为已确定的信息。
