論文の概要: COVID-19: Strategies for Allocation of Test Kits
- arxiv url: http://arxiv.org/abs/2004.01740v1
- Date: Fri, 3 Apr 2020 19:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 04:54:45.514066
- Title: COVID-19: Strategies for Allocation of Test Kits
- Title（参考訳）: 新型コロナウイルス:検査キットの割り当て戦略
- Authors: Arpita Biswas, Shruthi Bannur, Prateek Jain, Srujana Merugu
- Abstract要約: テストキット割り当ての現在の戦略は、主にルールベースであり、a)新型コロナウイルスの症状、(b)旅行歴、または(c)確認された新型コロナウイルス患者との接触歴を持つ個人に焦点を当てている。
地域社会の広がりを防ぎ、早期に新たな症例を検出することを目的とした、1日あたりの検査キットの別予算を割り当てることが重要である。
これらのアプローチは、コミュニティの広がりを包含し、新しいケースを早期に検出するのに有用であると考えています。
- 参考スコア（独自算出の注目度）: 18.334339425815312
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing spread of COVID-19, it is important to systematically
test more and more people. The current strategy for test-kit allocation is
mostly rule-based, focusing on individuals having (a) symptoms for COVID-19,
(b) travel history or (c) contact history with confirmed COVID-19 patients.
Such testing strategy may miss out on detecting asymptomatic individuals who
got infected via community spread. Thus, it is important to allocate a separate
budget of test-kits per day targeted towards preventing community spread and
detecting new cases early on.
In this report, we consider the problem of allocating test-kits and discuss
some solution approaches. We believe that these approaches will be useful to
contain community spread and detect new cases early on. Additionally, these
approaches would help in collecting unbiased data which can then be used to
improve the accuracy of machine learning models trained to predict COVID-19
infections.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の感染拡大に伴い、さらに多くの人を系統的に検査することが重要である。
テストキットアロケーションの現在の戦略は、主にルールベースで、個人の保持に焦点を当てている
(a)COVID-19の症状、
(b)旅行史又は旅行史
c) 確認された新型コロナウイルス患者との接触履歴。
このような検査戦略は、コミュニティの広がりによって感染した無症状者の発見を見逃す可能性がある。
そのため,地域社会の拡散防止と早期の新規症例の発見を目的とした1日あたりの検査キットの別予算の配分が重要である。
本報告では、テストキットを割り当てる問題を検討し、いくつかのソリューションアプローチについて論じる。
これらのアプローチは,コミュニティの拡大と新たなケースの早期発見に有効であると考えています。
さらに、これらのアプローチは、新型コロナウイルス感染を予測するために訓練された機械学習モデルの精度を向上させるために使用できる、偏りのないデータを収集するのに役立つ。
関連論文リスト
- Bayesian Networks and Machine Learning for COVID-19 Severity Explanation and Demographic Symptom Classification [12.40025057417184]
新型コロナウイルスの隠れた情報を蒸留する3段階のデータ駆動方式を提案する。
第1段階では、バイエルンネットワーク構造学習法を用いて、新型コロナウイルスの症状の因果関係を同定する。
第2段階として、アウトプットは教師なし機械学習(ML)アルゴリズムをトレーニングするための有用なガイドとして機能する。
最終段階は、クラスタリングから得られたラベルを活用して、人口統計学的症状識別モデルをトレーニングする。
論文 参考訳（メタデータ） (2024-06-16T05:43:24Z) - Discovering COVID-19 Coughing and Breathing Patterns from Unlabeled Data
Using Contrastive Learning with Varying Pre-Training Domains [3.935053618942546]
本研究は,非ウイルス性うさぎの呼吸パターン発見のための,対照的な学習に基づくモデリング手法を提案する。
以上の結果から, 提案モデルでは, ラベル付けされていないデータやラベル付けされていない非新型コロナウイルスを, 0.81 と 0.86 の精度で効果的に識別できることが示唆された。
論文 参考訳（メタデータ） (2023-06-02T18:41:39Z) - Multi-Objective Allocation of COVID-19 Testing Centers: Improving
Coverage and Equity in Access [2.7910505923792646]
新型コロナウイルスは4200万人以上に感染し、全米で67万3000人以上が死亡している。
公衆衛生当局は、感染のホットスポットを特定するための診断検査の結果を監視した。
テストサイトアロケーションの現在のスキームのほとんどは、経験や利便性に基づいています。
論文 参考訳（メタデータ） (2021-09-21T03:53:14Z) - End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。
本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
論文 参考訳（メタデータ） (2021-01-07T01:13:00Z) - Whom to Test? Active Sampling Strategies for Managing COVID-19 [1.4610038284393163]
本稿では、新型コロナウイルスなどのパンデミック時に感染を検査する個人を選択する方法を提案する。
ここで提示されるスマートテストのアイデアは、機械学習におけるアクティブラーニングとマルチアームバンディット技術によって動機付けられている。
論文 参考訳（メタデータ） (2020-12-25T02:04:50Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - A Partially Observable MDP Approach for Sequential Testing for
Infectious Diseases such as COVID-19 [29.84897273754802]
本研究では,制約付き逐次学習に基づく資源配分問題として,テスト問題をキャストできることを示す。
そして、感染した個体数を最小化する効率的な学習戦略を開発する。
論文 参考訳（メタデータ） (2020-07-25T22:13:37Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。