Bayessche kompartmentalisierende Modelle

Kurzbeschriebung

Bayessche kompartmentalisierende Modelle sind eine Erweiterung klassischer kompartmentaler Infektionsmodelle (z. B. SIR, SEIR), bei denen Modellparameter und Zustände probabilistisch im bayesschen Rahmen behandelt werden. Die Bevölkerung wird in diskrete Kompartimente (z. B. Susceptible, Exposed, Infected, Recovered) eingeteilt, zwischen denen Übergänge gemäß definierter Dynamiken stattfinden.

Die Dynamik wird typischerweise durch Differentialgleichungen oder diskrete Übergangsmodelle beschrieben, z. B. im SIR-Fall '"`UNIQ--math-00000000-QINU`"', '"`UNIQ--math-00000001-QINU`"', '"`UNIQ--math-00000002-QINU`"', wobei die Parameter '"`UNIQ--math-00000003-QINU`"' und '"`UNIQ--math-00000004-QINU`"' als Zufallsvariablen mit Priorverteilungen modelliert werden. Beobachtungsdaten (z. B. Fallmeldungen) werden über ein explizites Beobachtungsmodell mit den latenten Zuständen verknüpft.

Inference erfolgt bayessch über den Posterior der Zustände und Parameter, meist mittels MCMC, Particle MCMC oder Sequential Monte Carlo. Dadurch lassen sich Unsicherheit, Zeitvariation von Parametern und unvollständige Beobachtungen konsistent berücksichtigen.

Anwendbarkeit im Gesundheitssektor

Im Public Health sind bayessche kompartmentalisierende Modelle ein zentrales Werkzeug zur Modellierung und Analyse von Infektionskrankheiten, etwa für COVID-19, Influenza, Masern oder HIV. Sie werden eingesetzt zur Schätzung epidemiologischer Kenngrößen (z. B. Basis- oder effektive Reproduktionszahl), zur Bewertung von Interventionen und zur Projektion möglicher Epidemieverläufe.

Besonders wichtig ist ihre Fähigkeit, Unsicherheit explizit darzustellen und heterogene Datenquellen (Meldedaten, Hospitalisierungen, Seroprävalenzen) zu integrieren. Damit eignen sie sich sowohl für wissenschaftliche Analyse als auch für politiknahe Entscheidungsunterstützung und Szenarioplanung.

Sonstiges

Erweiterbar um Alters-, Raum- oder Kontaktstrukturen

Kombination aus mechanistischem Wissen und statistischer Inferenz

Rechenintensiv bei komplexen Modellen

Semantik

Englische Wikipediaseite ist: Compartmental_models_(epidemiology)#Heterogeneous_(structured,_Bayesian)_model

Quelle: Anderson & May (1991), Infectious Diseases of Humans; Held et al. (2019), Bayesian SIR models

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Simulation, Inferenz, Voraussage

Methode ist Mitglied der Methodenfamilie Bayessch, Mechanistisch, Simulation, Hybrid

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://mc-stan.org/users/documentation/case-studies.html