EpiOS

ЭпиОС

Общая информация

Этот проект включает в себя различные методы выборки населения и оценку различных методов. Мы включаем множество ситуаций, которые могут привести к смещению оценки уровня инфекции на основе выборки, в том числе случаи отсутствия ответа, частота ложноположительных/отрицательных результатов, возможность профиля передачи для пациентов в период заражения. Основываясь на модели EpiABM, этот пакет также может вывести лучший метод отбора проб, запустив моделирование передачи заболевания, чтобы увидеть ошибку прогнозирования каждого метода отбора проб.

Установка

EpiOS пока недоступен в PyPI, но модуль можно установить локально. Каталог следует сначала загрузить на ваш локальный компьютер, а затем его можно установить с помощью команды:

 pip install -e .

Мы также рекомендуем вам установить модель EpiABM для генерации данных моделирования заражения. Сначала вы можете загрузить pyEpiabm в любое место на вашем компьютере, а затем установить его с помощью команды:

 pip install -e path/to/pyEpiabm 

Документация

Доступ к документации можно получить с помощью значка docs выше.

Обзор класса

Вот диаграмма классов UML для нашего проекта:

Конфигурация

Файл params.py содержит все параметры, необходимые для этой модели. Кроме того, файлы во input папке являются примерами временных файлов, созданных в ходе предварительной обработки данных. Он будет использоваться классами сэмплеров. Параметр data_store_path в каждом классе сэмплера — это путь для хранения этих файлов.

Используйте PostProcess для создания графиков

Во-первых, вам необходимо определить новый объект PostProcess и ввести demodata демографических данных и timedata заражения, сгенерированные из pyEpiabm. Во-вторых, вы можете использовать PostProcess.predict для прогнозирования на основе различных методов выборки. Вы можете напрямую вызвать метод выборки, который хотите использовать в качестве метода; затем укажите моменты времени для выборки и ее размер. Здесь мы будем использовать AgeRegion в качестве метода выборки, [0, 1, 2, 3, 4, 5] в качестве временных точек для выборки и 3 для обозначения размера выборки. Наконец, вы можете указать, хотите ли вы учитывать тех, кто не ответил, и хотите ли вы сравнить свои результаты с истинными данными, указав параметры non_responder и comparison .

В качестве примера кода вы можете увидеть следующее:

 python 

 import epios
postprocess = epios . PostProcess ( time_data = timedata , demo_data = demodata )

res , diff = postprocess . predict . AgeRegion (
  time_sample = [ 0 , 1 , 2 , 3 , 4 , 5 ], sample_size = 3 ,
  non_responders = False ,
  comparison = True ,
  gen_plot = True ,
  saving_path_sampling = 'path/to/save/sampled/predicted/infection/plot' ,
  saving_path_compare = 'path/to/save/comparison/plot'
  )

Теперь ваша фигура будет сохранена по указанному пути!

Используйте PostProcess чтобы выбрать лучший метод выборки

Во-первых, вам необходимо определить новый объект PostProcess и ввести demodata демографических данных и timedata заражения, сгенерированные из pyEpiabm. Во-вторых, вы можете использовать PostProcess.best_method для сравнения производительности различных методов выборки. Вы можете предоставить методы, которые хотите сравнить; затем укажите интервалы выборки и размер выборки. В-третьих, вы можете указать, хотите ли вы учитывать неответивших и хотите ли сравнивать свои результаты с истинными данными, указав параметры non_responder и comparison . Кроме того, поскольку методы выборки являются стохастическими, вы можете указать количество выполняемых итераций, чтобы получить среднюю производительность. Более того, для ускорения можно включить parallel_computation . Наконец, вы можете включить hyperparameter_autotune , чтобы автоматически находить наилучшую комбинацию гиперпараметров.

В примере кода вы можете увидеть следующее:

 python 

 import epios
postprocess = epios . PostProcess ( time_data = timedata , demo_data = demodata )

# Define the input keywards for finding the best method
best_method_kwargs = {
    'age_group_width_range' : [ 14 , 17 , 20 ]
}
   
# Suppose we want to compare among methods Age-Random, Base-Same,
# Base-Random, Region-Random and AgeRegion-Random

# And suppose we want to turn on the parallel computation to speed up
  if __name__ == '__main__' :
     # This 'if' statement can be omitted when not using parallel computation
     postprocess . best_method (
        methods = [
              'Age' ,
              'Base-Same' ,
              'Base-Random' ,
              'Region-Random' ,
              'AgeRegion-Random'
        ],
        sample_size = 3 ,
        hyperparameter_autotune = True ,
        non_responder = False ,
        sampling_interval = 7 ,
        iteration = 1 ,
        # When considering non-responders, input the following line
        # non_resp_rate=0.1,
        metric = 'mean' ,
        parallel_computation = True ,
        ** best_method_kwargs
     )
  # Then the output will be printed