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：摘要研究疾病分型证据与似然比，没有明确的网络模型、干扰效应或因果识别设计。
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
- 研究如何利用指示病例、聚集病例和参照样本的微生物亚型，衡量病例间存在流行病学联系的证据及其误导风险。
- 方法与思路
- 作者建立分型数据模型，以似然比评价疾病传播假说，并通过观察到强证据或误导性证据的概率分析方法表现。
- 材料陈述的贡献
- 摘要称给出了实际无联系时，却观察到支持密切联系的强证据的一般概率界，并讨论其相对其他证据度量的优点。
- 阅读关注点
- 应核对传播关系假说的定义、亚型分布和抽样模型、强证据阈值，以及一般概率界是否依赖模型正确设定等条件。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；摘要没有概率界公式及适用条件，不能将证据强度直接解释为传播概率或推断刊本变化。
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.