A two-parameter, minimal-data model to predict dengue cases: the 2022-2023 outbreak in Florida, USA
仅用两个参数和少量数据预测登革热病例：美国佛罗里达州2022—2023年疫情AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究登革热传播与病例预测，未提供宏观经济预测或其他所列经济计量方向的直接依据，因此暂不分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
仅用两个参数和少量数据预测登革热病例：美国佛罗里达州2022—2023年疫情
- 研究问题
- 能否仅凭目标季节的人类发病时间序列预测登革热新增病例，并在缺少当地协变量和蚊媒监测时量化预测不确定性？
- 方法与思路
- 作者以发病数与累计病例数之间的曲线构建两参数预测框架，并加入贝叶斯扩展处理病例报告与模型拟合的不确定性。
- 材料陈述的贡献
- 摘要称在复杂登革热传播模型中证明了抛物线曲线结构，并报告贝叶斯扩展改善预测表现，以佛罗里达州疫情作评估。
- 阅读关注点
- 应核对抛物线结构成立的数学条件、预测时实际可用的信息、报告误差建模方式，以及预测区间校准与比较方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明证明条件、评估指标和具体结果，跨地区适用性不能据此判断。
原文摘要
Reliable and timely dengue predictions can provide an actionable lead time for targeted vector control and clinical preparedness, reducing preventable disease and health-system costs in at-risk communities. However, many forecasting approaches depend on site-specific covariates and entomological surveillance, which limits portability to data-sparse settings. In this work, we mathematically prove that a parabolic ICC structure, previously established for the basic SIR model, also holds in a substantially more complex model: a two-population (human-mosquito) four-serotype dengue transmission model with primary and secondary infections and mild/severe disease classes. To predict the number of new cases, we propose a data-parsimonious (DP) framework built on the incidence-cumulative cases (ICC) curve that requires only the human incidence time series of the target season and estimates only two parameters, thereby reducing estimation noise and computational burden. We further develop a Bayesian extension that accounts for case-reporting and fitting uncertainty, producing calibrated predictive intervals. The Bayesian model yields improved predictive performance compared to the parabolic ICC model. We evaluate the framework for dengue outbreaks in Florida in 2022-2023, where standardized clinical tests and reporting support accurate case determination.