本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2026-03-12
摘要
準確預測疾病爆發對於有效的公共衛生應對、醫療保健激增能力的管理以及公共風險的溝通至關重要。越來越多強大的預測方法分為兩大類：從歷史資料推斷的經驗模型和基於固定流行病學假設的機械模型。然而，當最迫切需要可靠的預測時（即流行病迅速升級期間），這些方法往往表現不佳。在這裡，我們介紹了表調，這是一種混合方法，將基本的流行病學原理融入現有的預測模型中，以提高預測的準確性，特別是在流行高峰期間。當應用於經驗和機器學習預測方法（自回歸綜合移動平均、Holt-Winters、梯度增強機、Prophet 和樣條模型）時，表調調節將 COVID-19 入院率的總體預測準確率平均提高了 12.3%（範圍：8.5 至 18.7%），將流感入院率提高了 32.92%（32.92%：24.7%），分別提高了高峰率 32.92%（32.7%），分別提高高峰率 32.92% 24.7%； 27.9% 和 43.8%。 Epimodulation 也大大增強了複雜預測方法的性能，包括 COVID-19 Forecast Hub 整合模型，展示了其在提高疾病爆發關鍵時刻的預測可靠性方面的廣泛實用性。