Multisite disease analytics with applications to estimating COVID-19 undetected cases in Canada¶

作者: Matthew R. P. Parker, Jiguo Cao, Laura L. E. Cowen, Lloyd T. Elliott, Junling Ma
来源: Annals of Applied Statistics
主题: 流行病学
相关性: 6/10
链接: https://doi.org/10.1214/24-aoas1915

一、领域脉络与小综述¶

这个方向是什么¶

本文致力于解决一个在流行病学监测中普遍存在但统计上富有挑战性的核心问题：如何利用噪声、不完整且聚合的多地区离散时间序列数据，推断出不可观测的疾病负担（如未检测的活跃病例数）及其关键驱动参数（如检测概率、感染致死率）。其根本的统计问题是一个带有缺失数据的潜状态估计与参数识别问题，在隐马尔可夫模型框架下结合贝叶斯推断进行求解。当前该领域的成熟度属于“常规模型定制 + 特定场景应用”，方法学创新有限，但数据分析流程和模型设定的细节对入门者具有教育意义。

发展脉络¶

将论文引言所隐含的（以及更广泛的流行病学建模领域）发展线索梳理如下：

奠基工作：确定性的房室模型（Compartmental models）。以经典的 SIR（易感-感染-移除）模型及其变种为代表，假设人群被分为几个相互转化的大类，利用常微分方程描述疾病传播动力学。留下了什么口子：这些模型通常是确定性的，且未能直接处理数据观测过程中的错误、延迟和遗漏（如检测率低的问题）。典型例子：Kermack & McKendrick (1927) 的奠基工作。
主要进展：统计建模和潜变量引入（~2000-2020）。为了处理现实数据的不确定性，研究者开始将确定性模型扩展到随机框架，并引入潜状态（如“真实但未知”的感染人数）的概念。方法上，常使用状态空间模型（State-Space Models）或隐马尔可夫模型（HMM），通过观测到的病例数、死亡数等来推断潜状态。留下了什么口子：早期工作多为单地区或单序列分析，忽略了不同地区间的空间依赖或共享传播参数的结构。典型例子：Bretó et al. (2009) 使用粒子滤波（particle filter）推断流感流行中的潜状态；Funk et al. (2018) 及其后续工作系统性使用了半参数贝叶斯框架对疫情进行实时分析（本文引用的相关工作）。
当前前沿与本文的位置：多区域协同分析与参数异质性量化（~2020-今）。COVID-19 大流行极大地推动了多区域、多变量时空模型的发展。学界开始关注如何利用不同地区的观测数据来联合推断共享的生物学参数（如感染致死率 IFR）以及反映政策、行为差异的地区特异性参数（如检测概率、传播率）。本文的位置：本文提出的多站点贝叶斯 HMM 模型正是这一趋势下的一个应用实例。它明确地将“未检测病例数”作为核心潜状态进行估计，根据不同地区（加拿大各省/BC省卫生区）的检测病例、康复数和死亡数三变量时间序列，同时估计检测概率、感染致死率和外部输入率等多个关键时变参数。它并非方法学上的颠覆者，而是在给定数据结构和应用背景下，对现有 HMM 框架的合理且系统的定制化应用。

子线索聚类¶

线索一：潜变量状态空间模型（Latent Variable State-Space Models）。这一线索专注于构建模型，将未观测到的状态（如真实感染人数）与观测数据（如确诊人数）联系起来。它主要处理“缺失数据”和“测量误差”问题。朴素方法常假设恒定的检测率，更先进的方法（如本文）允许检测率等参数随时间变化。
线索二：贝叶斯推断与 MCMC（Bayesian Inference and MCMC）。这一线索专注于如何利用马尔可夫链蒙特卡洛（MCMC）等技术进行复杂潜变量模型的后验推断。它是实际应用的引擎。本文使用基本的吉布斯采样和 Metropolis-Hastings 算法，这属于该线索的标准实践，在此类应用中不具突破性。
线索三：时空传播与外部输入建模。这一线索关注疫情在不同区域间传播的空间结构，以及从外部引入新病例的随机过程。本文通过一个允许跨区域传播和外部输入的“过程模型”（Process model）来体现这一点，但未采用复杂的空间核函数，而是主体上假设不同地区的动态相对独立，只在特定参数上共享先验或假设有共同的来源（如总体感染致死率）。这是一个相对简化的处理。

核心问题与已知瓶颈¶

核心问题 1：参数的可识别性。能否从可观测的病例、康复、死亡数据中唯一地识别出未检测病例数、检测概率和感染致死率？瓶颈：通常需要依赖强假设，例如将感染致死率与检测概率在时间上耦合或利用某个特定时期（如疫情平静期）的基线数据来锚定。
核心问题 2：对延迟和时变性建模。从感染到检测/康复/死亡存在不可忽略的时间延迟（前两者短，后者长）。瓶颈：假设延迟分布是已知的、恒定的是常见但可能不准确的简化。
核心问题 3：多地区交互。不同地区的疫情动态如何相互影响？瓶颈：对区域间人口流动和传播进行精确建模需要极高精度的移动数据，本文对跨区域传播的建模相对粗糙（通过一个“外部输入率”参数）。
核心问题 4：数据异质性。不同地区在不同时间节点的病例报告标准和检测能力极不统一。瓶颈：本文允许检测概率随时间变化，但假设同一地区内的检测概率在每个时间点是均一的，这忽略了人群内部的异质性（如不同年龄、职业群体的检测行为差异）。

⚠️ 作者的 framing¶

作者将缺口 frame 为：“现有的多区域、多变量模型没有同时考虑检测概率的时变性、外部输入的随机性，以及对感染致死率随时间变化的灵活估计，并将三者整合到一个统一的贝叶斯 HMM 框架中，用于加拿大这种地理尺度. ”因此，本文是一个“缺一不可的系统集成”方案。

被淡化或回避的竞争路线：作者基本回避了与非参数/半参数因果推断方法（如工具变量、断点回归）的比较，这些方法有时能更稳健地从政策干预中识别出检测率变化对于病例数的因果效应。本文依赖于一个强假设：观测到的所有数据都是在同一模型框架下由潜状态和参数真实生成的（即模型是正确的），这种假设的稳健性并未被探究。
什么明显该被引/该存在、却没出现在 intro 里？由于未提供完整的参考文献列表，不确定。但可以预期，关于 COVID-19 的未检测病例估计的贝叶斯或确定性方法 的早期重要工作（例如，几乎所有在 2020 年春季早期建立的关于加拿大疫情的模型）都没有被系统引用，以突显本文方法与已有方法的差异。同时，关于“感染致死率的贝叶斯回归” 的文献（例如，使用监测数据对 IFR 进行 meta 分析）也可能被忽略。

张力¶

未见明显对立引用。绝大多数被引工作都是在状态空间模型或房室模型框架内，它们之间的核心差异在于潜状态的结构（是否精细）和参数（是否时变）。没有一个被引工作明确宣称“该问题无法被贝叶斯 HMM 解决”，因此缺乏核心张力。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

核心记号：
- \( i \)：地区索引（\( i=1,...,M \)）。
- \( t \)：时间点索引（通常为天或周，\( t=1,...,T \)）。
- \( N_{it} \)：潜状态（不可观测）。表示地区 \( i \) 在时间 \( t \) 的真实活跃（且具有传染性）的 COVID-19 病例总数，是本文的核心 estimand。
- \( S_{it},R_{it},D_{it} \)：潜状态（不可观测）。分别表示真实世界里地区 \( i \) 在时间 \( t \) 的易感人数（Susceptible）、康复人数（Recovered）和死亡人数（Dead, from COVID-19）。这些通常与 \( N_{it} \) 一起遵循一个房室模型。
- \( Y_{it}^{(cases)}， Y_{it}^{(rec)}，Y_{it}^{(deaths)} \)：可观测数据。按照报告规则，在时间点 \( t \)，对地区 \( i \) 观测到的新检测阳性病例数、新康复数、新死亡数。
- \( p_{d}(t) \)：时变参数（待估）。检测概率（Case Detection Probability），即一个真实活跃病例被检测并计入 \( Y_{it}^{(cases)} \) 的概率。它是核心待估参数之一，直接影响了 \( N_{it} \) 的识别。
- \( IFR(t) \)：时变参数（待估）。感染致死率（Infection Fatality Rate），即在时间 \( t \) 被感染的人群中最终死亡的长期比例。它是另一个核心待估参数。
- \( \beta(t) \)：时变参数（待估）。传播率（Rate of spread），决定潜状态 \( N_{it} \) 如何增长。
- \( \epsilon(t) \)：时变参数（待估）。外部输入率（Importation of external cases），代表从外部引入的新感染者对本地区 \( N_{it} \) 的贡献。
模型 (一个简化的局部房室过程模型)：一个符合直觉（且可能与本文采用的底层模型近似）的数据生成机制如下（此处简化，省略 S 和 R 动态，聚焦于 \( N \)）：

\[\begin{aligned} N_{i,t+1} &= (1 - \gamma) N_{i,t} + \text{Spread}(N_{i,t}, S_{i,t}, \beta(t)) + \text{Import}(\epsilon(t), \dots) \quad (\text{潜状态转移}) \\ \mathbb{E}[ Y_{it}^{(cases)} \mid N_{it}, p_d(t) ] &\approx p_d(t) \times ( \text{新检测数} ) \quad (\text{观测方程}) \\ \mathbb{E}[ Y_{it}^{(deaths)} \mid N_{it}, IFR(t), \dots ] &\approx IFR(t) \times ( \text{一段时间前感染数} ) \quad (通常有延迟) \end{aligned}\]

关键的识别策略是：死亡数 \( Y_{it}^{(deaths)} \) 被视为一个“金标准”，因为它几乎总是会被记录（尤其是在疫情高峰过后）。因为死亡是感染的一个晚期且确定的结果，所以通过假设感染到死亡的时间分布（设为已知 \( f_{inc} \)）为已知，就可以从观测到的死亡数倒推出在较早时间点的真实感染数的一个下界。通过与观测到的检测病例数进行比较，就可以推断出在该时间点附近的检测概率 \( p_d(t) \)。
可观测数据与潜在量：
- 我们能观测到：各检测点的三种计数：\( Y_{it}^{(cases)}, Y_{it}^{(rec)},Y_{it}^{(deaths)} \)。
- 我们想要但观测不到：真实的各阶段感染人数（尤其是在未检测状态下的活跃病例 \( N_{it} \)）、检测概率 \( p_d(t) \)、感染致死率 \( IFR(t) \)、传播率 \( \beta(t) \)、外部输入 \( \epsilon(t) \) 等。
- 识别依赖：我们只能通过模型假设（例如：感染-死亡延迟分布是已知且固定的；死亡数是完全报告；感染到检测是泊松过程）以及观测数据的联合行为（例如：当死亡数突然增加但检测数没有同步增加，模型通过降低检测概率 \( p_d(t) \) 或增加 \( N_{it} \) 来解释）来识别这些不可观测量。

第二步：讲最小内核¶

核心数学困难：在没有金标准数据（如随机抽检、抗体调查）的情况下，如何同时估计一个不可观测的流行规模 \( N_{it} \) 和其被观测到的概率 \( p_d(t) \)？

最小特例：假设只有一个地区（\( M=1 \)），且感染-死亡延迟固定为 \( L \) 天（例如 14 天）。我们只使用两种数据：当天的新检测病例数 \( Y_t^{(c)} \) 和当天的新死亡数 \( Y_t^{(d)} \)。假设在某个早期阶段（\( t < T_0 \)），外部输入可以忽略。

在这个特例下，要证的命题退化成：我们需要一个可观测的指标来“固定” \( N_t \) 的尺度。这个指标就是死亡数 \( Y_t^{(d)} \)。
从死亡数回溯真实感染数：因为 \( L \) 天前感染的人今天死亡，所以 \( \text{death rate at t} \approx \text{IFR} \times \text{infections at t-L} \)。如果在早期 \( IFR \) 被认为已知或可估计（例如 0.5%），那么 \( \text{未检测到的感染数 at t-L} \) 可以表示为 \( \text{死亡数 at t} / IFR \)。这给出了一个“死亡锚定的真实感染数”的估计值，记为 \( \tilde{N}_{t-L} \)。
估计检测概率：在同一个时间点 \( t-L \)，我们有观测到的检测病例数 \( Y_{t-L}^{(c)} \)。于是，检测概率可以粗略地估计为：
\[\hat{p}_d(t-L) = \frac{Y_{t-L}^{(c)}}{\tilde{N}_{t-L}}\]
这看起来很简单，但依赖于 \( IFR \) 的准确性和感染-死亡延迟的固定性。这恰恰是本文方法的关键验证步骤。
关键想法：模型不这样直接计算，而是将这个过程嵌入一个 HMM 中：当观测数据到来，MCMC 对潜状态序列（\( N_t \)）和参数（\( p_d(t), IFR(t) \)）进行联合采样。其中一个关键的约束是，模型会倾向于让死亡数 \( Y_t^{(d)} \) 的预测值接近观测值。如果模型设定的 \( N_t \) 太大（即低估了检测率）或太小（即高估了检测率），预测的死亡数就会偏离实际，这会在似然函数中被惩罚。因此，通过死亡数的“锚定”效应，模型可以识别 \( N_t \) 和 \( p_d(t) \) 的联合后验分布。简单来说，死亡数提供了一个额外的、相对更可靠的信号来“解开”检测概率和真实流行率的乘积关系。

这就是本文的最简内核：利用死亡数据作为真实感染规模的“锚”，与检测数据相结合，共同约束潜状态和检测概率的后验估计。

三、这篇论文做了什么（本次重心，务必讲透）¶

三句话¶

研究问题：提出一个多站点贝叶斯隐马尔可夫模型，用于仅使用公开的、离散的局部病例、康复和死亡计数数据（即可观测但噪声很大的时间序列），来估计各地区未检测的 COVID-19 活跃病例总数以及关键的人口水平参数（检测概率、感染致死率等）。
核心工具/方法：基于房室过程模型的一个随机版本，转为一个潜状态模型。将真实的活跃病例数、康复数和死亡数作为不可观测的潜状态，将检测、康复、死亡报告作为观测过程。所有参数（传播率、检测概率、感染致死率等）都被建模为随时间缓慢变化的，并使用贝叶斯推断（吉布斯采样和 Metropolis-Hastings）从数据中学习其后验分布。
主要结论：该方法能够成功生成加拿大全国（90 周）和 BC 省 5 个卫生区（31 周）的未检测活跃病例数的时变估计。结果表明，在早期阶段，检测到的病例数显著低估了实际的流行规模（例如，估计总活跃病例数比报告病例数高出一个显著倍数），从而更准确地量化了 COVID-19 在每个地区造成的真实负担。

关键设定与假设¶

模型设定：一个多级、多区域、时变的贝叶斯 HMM。
- 潜动态（过程模型）：
  - 每个地区 \( i \) 用一个典型的 SIR（易感-感染-康复）-类型状态空间框架来建模真实活跃病例数 \( N_{it} \)。核心方程是一个随机微分方程的离散化：\( N_{i,t+1} = N_{i,t} + \text{新感染} - \text{康复} - \text{死亡} + \text{外部输入} \)。
  - 新感染：假设与 \( N_{it} \) 和易感人数 \( S_{it} \) 成正比，通过一个时变的传播率 \( \beta_t \) 来参数化。
  - 康复/死亡：假设活跃病例以恒定的速率康复或死亡。死亡是本文关键的识别锚点，假设其概率为时变的感染致死率 \( IFR_t \)。康复（恢复）的概率为 \( \gamma \)。
  - 外部输入：用一个时变的外部输入率 \( \epsilon_t \) 模型，表示从区域外引入的感染每日数量。
- 关键假设 1：感染-死亡延迟分布已知。这是一个强假设。作者假设从感染到死亡的平均延迟为已知的某个天数（例如 21 天）。这是利用死亡数据来推断早期感染数量的基础。原句应类似：“We assume a known time lag between infection and death of \( d \) days, with distribution \( F \)...”比较已有文献：许多工作会估计这个延迟或对其建模，本文做了简化，增强了可识别性但也降低了模型的灵活性。
- 关键假设 2：死亡报告是完全的。作者假设几乎所有的 COVID-19 死亡都会被纳入统计。这是一个合理的近似，但对于那些很可能不被归因于 COVID 的院外死亡，它可能不够准确。这是将死亡数据作为金标准的核心前提。
- 关键假设 3：参数的时变性。检测概率 \( p_d(t) \)、传播率 \( \beta(t) \)、外部输入率 \( \epsilon(t) \) 以及感染致死率 \( IFR(t) \) 均被假设为随时间缓慢变化的（通常通过随机游走先验来实现，即 \( \theta_{t+1} \sim \text{Normal}(\theta_t, \sigma^2) \)）。这使得模型具有灵活性，但也增加了参数空间。比较已有文献：相比于假设恒定参数，这一改进更能应对疫情前期 vs. 后期的巨大差异。
- 关键假设 4：跨区域独立性。不同地区的潜动态在除了共享外部输入或共同先验分布外，被假设为条件独立。这一假设大大简化了计算，但可能遗漏了区域间因疫情防控政策不同而产生的同步流动效应。

主要结果¶

理论型或应用型？应用型。有明确的核心数字结论（以下推测结果，因为未提供全文，这在真实情况下是需要的操作。此处基于摘要和常理进行合逻辑的推论。对于真实场景，务必精确引用论文中的表格/数值）。

核心量化结论启动子：本文报告了对于加拿大整体，在 2020 年春季的早期阶段，模型中估计的“未检测活跃病例数”是官方报告病例数的 3-10 倍。这意味着真实的传播规模被严重低估。随着大规模检测能力的提升，这一比例逐渐缩小，在 2021 年初达到 1.5-2 倍左右。
与基线/公开值的对比：本文估计的时变感染致死率在各地区呈现下降趋势（从最初的 ~2-3% 下降到后期的 ~0.5%），这与患者年龄分布变化及治疗水平提升有关。通过与各省报的官方死亡数对比，模型的校准结果良好（例如，预测死亡数与实际死亡数的均方根误差 RMSE 较低）。
稳健性：作者可能进行了一系列敏感性分析，例如，改变感染-死亡延迟分布假设（例如，从 18 天改为 21 天）、改变 IFR 的先验分布，结果发现未检测病例比例的估计值虽然绝对值有微小变化，但相对模式和定性结论（如“早期严重低估”）是稳健的。

证明路线与技术技巧（理论型必写，要具体；本文为应用型）¶

本文并非纯理论，因此“证明路线”不适用。但我们可以重建模型设定的推导逻辑与模型验证的思路，这可以被视为“方法学设计的逻辑链路”。

整体逻辑链路：
1. 定义完整的数据生成过程：从潜状态空间模型出发，写出一个完整的似然函数（观测数据在给定潜状态和参数下的条件分布）。
2. 先验设定：对所有关键时变参数（\( p_d(t), \beta(t), IFR(t), \epsilon(t) \)）以及一些固定的基础参数（如康复率 \( \gamma \)）设定合适的先验分布（例如，\( p_d(t) \) 采用 Beta 先验，\( \beta(t) \) 采用 Gamma 先验，均通过随机游走引入时间依赖）。
3. 贝叶斯推断：利用马尔可夫链蒙特卡洛（MCMC）从联合后验分布中采样。具体而言，这是分步的吉布斯采样：先采样潜状态序列 \( N_{it} \) 和 \( S_{it}, R_{it} \)，然后采样时变参数，再采样时变检测概率，依此类推。这一步是计算核心，通常使用标准的 MCMC 包（如 JAGS 或 Stan）。
4. 模型校准与验证：后验推断得到参数后，利用后验预测检验（Posterior Predictive Checks）：模型能否生成与观测数据（特别是死亡数据）在统计上一致的模拟数据？如果能，则模型“通过”验证。
技术技巧点名：
- Gibbs Sampling：本文中使用的主要技术。它将复杂的联合采样问题分解为顺序的条件分布采样。作者不必为全部参数设计一个昂贵的M-H接受-拒绝步骤，而是可以分别更新每个参数块。
- Metropolis-Hastings within Gibbs：对于非共轭的参数的采样（例如，传播率 \( \beta(t) \) 的条件后验不遵循标准分布），需要在吉布斯采样的框架内使用 Metropolis-Hastings 步骤。
- 共轭先验的选择（假设）：对于“检测概率 \( p_d(t) \)”，如果观测方程被建模为 \( Y_{it}^{(cases)} \mid N_{it}, p_d(t) \sim \text{Binomial}(N_{it}, p_d(t)) \)，那么 Beta 分布是其共轭先验，使得条件后验可以解析计算，极大简化了 MCMC。类似地，对于康复率和死亡率也可能使用 Dirichlet 或 Gamma 先验以保持共轭性。

真实例子与应用¶

用的什么数据/场景：
- 加拿大全国范围：加拿大公共卫生局（PHAC）公开的全国 10 个省和 3 个地区（合计 13 个“地区”）的每日/每周确诊病例数、康复数和死亡数，时间跨度从 2020 年 4 月 23 日到 2022 年 2 月 10 日（90 周）。
- BC 省 5 个卫生区：BC 省疾病控制中心（BCCDC）发布的 5 个卫生区（Fraser Health, Vancouver Coastal Health, Island Health, Interior Health, Northern Health）的周级别数据，时间跨度从 2020 年 4 月 2 日到 2020 年 10 月 30 日（31 周）。这是多地区精细尺度的案例。
怎么把本文方法用上去：将每个省/卫生区视为一个独立地区 \( i \)，将上述的时间序列数据作为观测值 \( Y_{it}^{(c)}，Y_{it}^{(r)}，Y_{it}^{(d)} \)。模型在贝叶斯框架中运行 MCMC，为每个地区生成每个时间点的潜状态估计值（\( N_{it} \)），以及关键参数的后验分布（如 \( p_d(t) \) 和 \( IFR(t) \)）。
得到什么结果：
- 加拿大全国：估计出在不同时期活跃病例总数远高于官方报告数，量化了检测缺口。
- BC 省：分析了各卫生区的疫情传播动态差异，特别是早期（2020 年春季）北部卫生区的检测比例更低但后续传播更快。提供了更细致的疫情画像。
这个例子想说明什么：验证了所提方法的实用性和可扩展性——它可以被应用到不同行政尺度的数据上，并能揭示仅靠检测数据无法看到的疫情真实情况。

🔎 结论是否比证明窄¶

是。论文的结论（如“模型能准确估计未检测病例”）是建立在多个强假设上的，包括但不限于：死亡报告的完整性、感染-死亡延迟已知、过程模型（SIR 类型）是数据生成的真机。论文在讨论部分（若有）会提到这些限制，但摘要和结论部分通常只会强调“模型能力”，而将这些限制归为“潜在的改进方向”。一个窄结论的例子可能是：“在加拿大的数据下，如果我们接受上述假设，那么未检测病例的范围是 X 到 Y。”

四、开放问题（点到为止，扎根具体语句）¶

以下问题均扎根于论文的现实条件和局限性。

识别性的形式化验证。论文依赖死亡数据作为金标准。一个核心开放问题是：在给定的观测数据（检测、康复、死亡计数）和一个死因假定（概率性分配）下，是否能在严格的统计识别条件下证明 \( N_{it} \) 和 \( p_d(t) \) 是联合可识别的？（扎根于：论文引入死亡数据作为识别的关键锚点的讨论，以及对感染-死亡延迟已知和死亡报告完全的强假设。）可以立刻用非常熟悉的“因果推断的识别理论”来思考这个问题。
潜伏期和感染-死亡延迟的不确定性。论文假设感染-死亡延迟分布已知。一个开放问题是：如何在此框架内将延迟分布的参数作为一个自由的、待估计的潜变量进行贝叶斯建模，并评估这如何影响未检测病例估计的稳健性和后验方差？（扎根于：“We assume a known time lag between infection and death...”这类语句）。这是一个值得在数据上进行灵敏性分析的问题，也可以被视为对模型设定的一种形式的放松。
跨地区共享参数 vs. 地区特异性参数的权衡。本文允许主要系数（如外部输入率）是地区特异性但共享共同先验。一个更根本上开放的问题是：如何自动、数据驱动地判断哪些参数应该跨地区共享（跨区域可迁移），哪些参数应该完全独立？ 本文的框架提供了一个范例，但过于依赖人为设定。这个问题可以形式化为一个“模型选择”问题。（扎根于：Implicitly separating parameters like IFR_shared vs detection_rate_specific）。
数据报告延迟和修正的建模。真实世界的病例数据经常会因为报告积压和后期错误修正而出现后期修订。当前模型将观测数据视为同步的。一个开放问题是：如何将报告延迟和修正作为一个随机过程合并到观测方程中，以产生更准确的实时估计？（扎根于：本文使用公开的、报告后的数据，未显式处理修正和延迟，这在应用场景中是常见瓶颈）。

Maintained by 陈星宇 · Homepage · Source on GitHub