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

Wikidata-Identifikator ist: Q3028855

Deutsche Wikipediaseite ist: https://de.wikipedia.org/wiki/SIR-Modell

Englische Wikipediaseite ist: Compartmental_models_in_epidemiology

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 klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Simulation;Inferenz;Vorhersage„Simulation;Inferenz;Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Bayessch;Mechanistisch;Simulation;Hybrid„Bayessch;Mechanistisch;Simulation;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

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