NIDDK SICR 模型用于估计人群中 SARS-CoV-2 感染

用于Chow等人，“基于观察到的COVID-19病例全球预测未报告的SARS-CoV2感染”的代码和数据，用于模拟COVID-19大流行的进程，并从报告病例、病例恢复和病例死亡中估计未观察到的SARS-CoV-2感染人群。模型使用Stan实现，并使用PyStan进行拟合。

核心模型是SIR模型的一个变体，其中包含一个表示未观察到的感染人数的潜在变量 I，与 C（观察到的病例）区分开来。该模型遵循

该预印本补充材料中讨论了此模型的几个变体。将这些模型拟合到数据的所需代码提供在 models 目录中。数据来源包括约翰霍普金斯大学系统工程中心（JHU CSSE）和COVID追踪项目。

在此处运行代码的要求

• python 3.5+
• 安装Python包
  • 从pypi： pip install covid-sicr
  • 或从源代码
    • git clone http://github.com/nih-niddk-mbs/covid-sicr
    • cd covid-sicr
    • pip install -e . # 这将从源代码安装covid-sicr包
  • 或将此目录放置在您的 PYTHONPATH 中，并安装 requirements.txt 的内容。
• pystan 在某些系统上可能无法轻松使用pip安装，因此请考虑使用conda
  • conda install -c conda-forge pystan

重要脚本

• 可以使用 scripts/get-data.py 脚本从数据源下载新数据

  • 对于所有数据源： python scripts/get-data.py。
  • 这将默认使用约翰霍普金斯大学和COVID追踪。
  • 可以使用 --help 标志查看其他选项。
  • 数据源遵循一种功能模式，并具有可扩展性。

• 可以使用Python文件 scripts/run.py 运行Stan模型

  • 使用以下命令运行单个区域
    • python scripts/run.py 模型名称 --roi=区域名称
    • 例如，python scripts/run.py SICRLMQ --roi=US_MI
  • 可以使用 python scripts/run.py --help 检查指定路径和一些拟合参数的其他可选参数。
  • 将在您的 fits-path（见帮助）中生成包含结果的拟合的pickle文件。
  • 提供了一个用于参考的 scripts/run-many.py 文件，但在集群上运行 scripts/run.py 可以获得更好的性能。

• 使用 scripts/visualize.py 分析所有区域的完成 fits。

  • 对于所有区域（具有 fits）使用 python scripts/visualize.py MODEL_NAME。
  • 例如：python visualize-master.py --nonlinearmodel
  • 如上所述，使用 --help 标志可以获得帮助。
  • 所有分析区域将创建在您的 --fits-path 中。

• 可以使用 scripts/make-tables.py 生成拟合参数的摘要表。

  • python scripts/make-tables.py
  • 例如：python scripts/make-tables.py --model-names nonlinearmodel fulllinearmodel
  • 如上所述，使用 --help 标志可以获得帮助。
  • 结果数据框的 .csv 文件将在 tables 子目录中的 --fit-path 目录下创建。

重现特定版本的论文版本需要使用特定的标签，例如 "medrXiv-v1"（在此处查看标签和版本）。使用任何其他分支的最新版本（包括 master）可能导致不同的结果，因为我们的研究正在进行中。

此代码根据 MIT 许可证开源。关于建模的通信应发送至 carsonc at nih dot gov 或 vattikutis at mail dot nih dot gov。关于 Python 代码的通信应发送至 rgerkin at asu dot edu。