Modeling Epidemiologic Typing Data and Likelihood Inference for Disease Spread
流行病学分型数据建模与疾病传播的似然推断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。
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：摘要关注流行病学分型证据的似然评价，未给出因果效应识别或网络干扰估计方面的直接依据。
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…
关注这篇论文的作者
流行病学分型数据建模与疾病传播的似然推断
- 研究问题
- 如何利用指示病例、聚集病例及参照样本的微生物亚型，衡量支持病例间流行病学关联的证据及其误导概率？
- 方法与思路
- 作者为分型数据建立模型，以似然比衡量疾病传播相关假设的证据，并用出现强证据或误导性证据的概率评价方法。
- 材料陈述的贡献
- 摘要称在病例实际无关联时，给出了出现强关联证据概率的一般上界，并讨论该证据衡量方式与替代方法的差异。
- 阅读关注点
- 应核对病例关联假设、亚型分布与参照样本的建模方式，以及强证据阈值、概率上界的条件和比较评价标准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；概率上界的表达式及模型假设未提供，不能将分型证据直接视为传播因果识别。
原文摘要
A model for epidemiologic typing data is introduced, and likelihood ratio methods are developed for evaluating these data as evidence about disease spread. The observed data consist of microorganism subtypes from an index case of infectious disease, cases clustered with the index case, and a reference sample. The likelihood methods are evaluated via probabilities of observing epidemiologic subtypes that represent strong and sometimes misleading evidence favoring one hypothesis over another. A general bound is identified for the probability of observing strong evidence favoring a close epidemiologic relationship between the index and cluster cases vis-à-vis no relationship when in fact there is none. The advantages of this approach versus alternate approaches to measuring the strength of typing evidence are discussed.