Bayesian epidemic alignment for causal evaluation of seasonal infectious-disease interventions
用于季节性传染病干预因果评估的贝叶斯疫情对齐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：摘要明确结合中断时间序列、季节性时间对齐和干预反事实评估，支持因果推断与时间序列分类。
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…
关注这篇论文的作者
用于季节性传染病干预因果评估的贝叶斯疫情对齐
- 研究问题
- 当不同季节疫情的起始、速度或峰值时点不同，如何避免按日历比较混淆疫情阶段变化与干预对疾病负担的影响？
- 方法与思路
- 作者将季节性仿射时间变换纳入贝叶斯负二项模型，结合层级效应和收缩 Fourier 曲线，再以后验 g 计算构造两类因果对比。
- 材料陈述的贡献
- 摘要提出在潜在疫情时钟上估计干预效应，使对齐不确定性传入因果对比，并通过模拟和加泰罗尼亚监测及免疫数据展示框架。
- 阅读关注点
- 应核对疫情时钟与干预效应能否区分、项目强度重叠及混杂控制，以及受控对比和传播疾病历史的动态对比各自的含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未报告模拟表现或应用效应数值，模型对齐本身不能保证因果识别。
原文摘要
Seasonal infectious-disease interventions are commonly evaluated with interrupted time-series or pre--post designs that align epidemics by calendar week. When epidemic onset, speed or peak timing differs between seasons, such comparisons confound a shift in epidemic phase with a change in disease burden. We propose a Bayesian causal count model in which season-specific affine transformations map calendar time to a latent epidemic clock, and intervention effects are estimated on that clock rather than on the calendar. The alignment is a model component rather than a preprocessing step, so uncertainty about epidemic timing propagates into every causal contrast. The model uses a negative-binomial observation distribution, hierarchical area, season and area-season effects, a shrunk Fourier epidemic curve, and a continuous programme-intensity exposure. Posterior g-computation yields prevented cases, prevented fractions, peak attenuation and epidemic displacement, under both a controlled contrast and a dynamic contrast that propagates disease history within each arm. A two-tier simulation study evaluates bias, root mean squared error, interval coverage and parameter recovery under stable timing, epidemic-clock variation, intensity-dependent ascertainment and area-level confounding. We illustrate the framework using open Catalan primary-care surveillance and respiratory syncytial virus immunisation data, with explicit attention to the overlap in programme intensity that identifies the effect.