A Statistical Framework for Reconstructing Epidemic Curves
Estimating the number of individuals who have had an infectious disease is essential for understanding disease burden. However, this remains challenging as all sources of surveillance data come with their own biases, and spatiotemporal extensions of these models are challenging to fit to data due to their large number of count-valued parameters. In this work I present a statistical framework for inferring past epidemic trajectories by approximating count-valued state-space models based on latent Gaussian constructions of integer-valued time series. I demonstrate how this framework can leverage multiple sources of surveillance data and apply these methods to real world examples.
Un cadre statistique pour reconstruire les courbes épidémiques
L'estimation du nombre de personnes ayant contracté une maladie infectieuse est essentielle pour comprendre la charge de morbidité. Cependant, cela reste un défi, car toutes les sources de données de surveillance ont leurs propres biais, et les extensions spatiotemporelles de ces modèles sont difficiles à ajuster aux données en raison de leur grand nombre de paramètres à valeur de comptage. Dans ce travail, je présente un cadre statistique permettant de déduire les trajectoires épidémiques passées par l'approximation de modèles d'espace d'état à valeurs de comptage qui sont basés sur des constructions gaussiennes latentes de séries temporelles à valeurs entières. Je démontre comment ce cadre peut exploiter de multiples sources de données de surveillance et j'applique ces méthodes à des exemples réels.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais