Fugu-MT 論文翻訳(概要): Curating a COVID-19 data repository and forecasting county-level death counts in the United States

論文の概要: Curating a COVID-19 data repository and forecasting county-level death counts in the United States

arxiv url: http://arxiv.org/abs/2005.07882v2
Date: Sun, 9 Aug 2020 20:54:26 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 14:00:50.025174
Title: Curating a COVID-19 data repository and forecasting county-level death counts in the United States
Title（参考訳）: 米国におけるcovid-19データレポジトリのキュレーションと郡レベルの死亡数予測
Authors: Nick Altieri, Rebecca L. Barter, James Duncan, Raaz Dwivedi, Karl Kumbier, Xiao Li, Robert Netzorg, Briton Park, Chandan Singh, Yan Shuo Tan, Tiffany Tang, Yu Wang, Chao Zhang, Bin Yu
Abstract要約: 新型コロナウイルス情報を含む大規模データレポジトリの継続的なキュレーションについて概説する。このデータを用いて、新型コロナウイルス累積死亡数の短期的軌跡の予測とそれに対応する予測間隔を推定する。当社の予測は、NPOのResponse4Lifeによって、個々の病院の医療供給の必要性を判断するために使われています。
参考スコア（独自算出の注目度）: 18.03408044303801
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the COVID-19 outbreak evolves, accurate forecasting continues to play an extremely important role in informing policy decisions. In this paper, we present our continuous curation of a large data repository containing COVID-19 information from a range of sources. We use this data to develop predictions and corresponding prediction intervals for the short-term trajectory of COVID-19 cumulative death counts at the county-level in the United States up to two weeks ahead. Using data from January 22 to June 20, 2020, we develop and combine multiple forecasts using ensembling techniques, resulting in an ensemble we refer to as Combined Linear and Exponential Predictors (CLEP). Our individual predictors include county-specific exponential and linear predictors, a shared exponential predictor that pools data together across counties, an expanded shared exponential predictor that uses data from neighboring counties, and a demographics-based shared exponential predictor. We use prediction errors from the past five days to assess the uncertainty of our death predictions, resulting in generally-applicable prediction intervals, Maximum (absolute) Error Prediction Intervals (MEPI). MEPI achieves a coverage rate of more than 94% when averaged across counties for predicting cumulative recorded death counts two weeks in the future. Our forecasts are currently being used by the non-profit organization, Response4Life, to determine the medical supply need for individual hospitals and have directly contributed to the distribution of medical supplies across the country. We hope that our forecasts and data repository at https://covidseverity.com can help guide necessary county-specific decision-making and help counties prepare for their continued fight against COVID-19.
Abstract（参考訳）: 新型コロナウイルス(covid-19)の流行が進むにつれ、正確な予測は政策決定に極めて重要な役割を果たす。本稿では,covid-19情報を含む大規模データレポジトリの継続的なキュレーションについて述べる。このデータを用いて、米国内の郡レベルでの累積死亡数の短期的軌道の予測とそれに対応する予測間隔を最大2週間前に作成する。 2020年1月22日から6月20日までのデータを用いて、複数の予測をセンシング技術を用いて開発し、組み合わせて、線形および指数予測器(clep)と呼ぶアンサンブルを作成する。我々の個人予測器には、郡固有の指数と線形予測器、郡にまたがるデータをまとめる共有指数予測器、近隣の郡からのデータを利用する共有指数予測器、人口統計に基づく共有指数予測器が含まれる。過去5日間の予測誤差を用いて、死亡予測の不確実性を評価し、一般に適用可能な予測間隔、最大(絶対)エラー予測間隔(mepi)を生み出した。 MEPIは、将来2週間の累計死亡数を予測するために、郡全体で平均して94%以上をカバーしている。当社の予測は現在、非営利組織である response4life が個々の病院の医療提供の必要性を判断するために使用しており、全国の医療用品の流通に直接貢献しています。 https://covidseverity.comの予測とデータリポジトリが、必要な郡固有の意思決定をガイドし、郡の新型コロナウイルス対策の継続を支援することを願っている。

関連論文リスト

SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文参考訳（メタデータ） (2022-07-15T18:21:36Z)
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文参考訳（メタデータ） (2021-09-24T17:40:08Z)
Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文参考訳（メタデータ） (2021-04-14T11:58:54Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
Ensemble Machine Learning Methods for Modeling COVID19 Deaths [0.0]
我々は、米国における新型コロナウイルスの死亡率を郡レベルで予測する新しいデータ駆動アプローチを提案する。このモデルは、平均的な死ではなく、量的推定を出力し、日々の死亡分布をより完全に記述する。われわれは50以上のチームからカリフォルニア工科大学が運営するモデリングコンテストに優勝した。
論文参考訳（メタデータ） (2020-10-04T13:34:12Z)
Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文参考訳（メタデータ） (2020-07-22T13:18:00Z)
PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
論文参考訳（メタデータ） (2020-06-17T17:59:55Z)
Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文参考訳（メタデータ） (2020-06-14T01:15:00Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)
Predictive Analysis of COVID-19 Time-series Data from Johns Hopkins University [23.50272152447744]
我々は、SARS as-CoV-2(SARS as-CoV-2)としても知られる新型コロナウイルスの拡散の予測分析を提供する。我々の主な目的は、今後14日間に異なる国で感染した人々の数を予測することである。
論文参考訳（メタデータ） (2020-05-07T12:47:31Z)

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。