Change Point Detection for Growth Rate in the Early Stage of Epidemics using the Hidden Markov Model

In the early phase of an epidemic, infections typically grow exponentially. Timely online detection of changes in growth rates is crucial for real-time monitoring and public health response. Regression-based methods often assume independence of observations and may underestimate uncertainty, particularly in the early stages when case counts are low and stochastic variability is high. We propose a Hidden Markov Model (HMM) framework for growth rate estimation and real-time change point detection. In retrospective simulations, the method effectively identifies shifts in growth rates. We further develop an online detection algorithm, based on model selection, enabling continuous monitoring as new data becomes available. The framework is applied to COVID-19 incidence data from British Columbia, which demonstrates its ability to capture changes in growth rates and provide timely detection.

Détection des points de changement pour le taux de croissance en début d'épidémie par modèle de Markov caché

Au début d'une épidémie, les infections augmentent généralement de manière exponentielle. La détection en ligne et en temps réel de l'évolution du taux de croissance est cruciale pour la surveillance en temps réel et la réponse en matière de santé publique. Les méthodes basées sur la régression supposent souvent l'indépendance des observations et peuvent sous-estimer l'incertitude, en particulier au début, lorsque le nombre de cas est faible et la variabilité stochastique élevée. Nous proposons un cadre de modèle de Markov caché (HMM) pour l'estimation des taux de croissance et la détection en temps réel des points de changement. Dans des simulations rétrospectives, cette méthode identifie efficacement les variations des taux de croissance. Nous développons en outre un algorithme de détection en ligne, basé sur la sélection de modèles, qui permet une surveillance continue à mesure que de nouvelles données deviennent disponibles. Ce cadre est appliqué aux données sur l'incidence de la COVID-19 en Colombie-Britannique, démontrant sa capacité à saisir les changements dans les taux de croissance et à fournir une détection rapide.

Session

Concours pour le Prix de la meilleure présentation orale de recherche étudiante en biostatistique I

Date and Time