論文の概要: A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania

• arxiv url: http://arxiv.org/abs/2006.12926v2
• Date: Sat, 5 Sep 2020 12:10:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:56:39.688007
• Title: A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania
• Title（参考訳）: ルーマニアにおけるcovid-19の進化予測のための自己教師付き神経分析法
• Authors: Radu D. Stochi\c{t}oiu, Marian Petrica, Traian Rebedea, Ionel Popescu, Marius Leordeanu
• Abstract要約: 我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。 本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。 ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
• 参考スコア（独自算出の注目度）: 10.760851506126105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analysing and understanding the transmission and evolution of the COVID-19 pandemic is mandatory to be able to design the best social and medical policies, foresee their outcomes and deal with all the subsequent socio-economic effects. We address this important problem from a computational and machine learning perspective. More specifically, we want to statistically estimate all the relevant parameters for the new coronavirus COVID-19, such as the reproduction number, fatality rate or length of infectiousness period, based on Romanian patients, as well as be able to predict future outcomes. This endeavor is important, since it is well known that these factors vary across the globe, and might be dependent on many causes, including social, medical, age and genetic factors. We use a recently published improved version of SEIR, which is the classic, established model for infectious diseases. We want to infer all the parameters of the model, which govern the evolution of the pandemic in Romania, based on the only reliable, true measurement, which is the number of deaths. Once the model parameters are estimated, we are able to predict all the other relevant measures, such as the number of exposed and infectious people. To this end, we propose a self-supervised approach to train a deep convolutional network to guess the correct set of Modified-SEIR model parameters, given the observed number of daily fatalities. Then, we refine the solution with a stochastic coordinate descent approach. We compare our deep learning optimization scheme with the classic grid search approach and show great improvement in both computational time and prediction accuracy. We find an optimistic result in the case fatality rate for Romania which may be around 0.3% and we also demonstrate that our model is able to correctly predict the number of daily fatalities for up to three weeks in the future.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)パンデミックの感染と進化を分析し、理解するには、最高の社会・医療政策を設計し、その結果を予測し、その後の社会・経済効果に対処することが義務付けられている。 我々はこの重要な問題を計算と機械学習の観点から解決する。 具体的には、ルーマニアの患者に基づいて、再生数、死亡率、感染期間の長さなど、新型コロナウイルスに関連するすべてのパラメータを統計的に推定し、将来の結果を予測したいと思っています。 この取り組みは、これらの要因が世界中で異なることがよく知られており、社会的、医学的、年齢的、遺伝的要因など多くの原因に依存している。 我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。 ルーマニアにおけるパンデミックの進化を支配するモデルの全てのパラメータを、死者数である唯一の信頼できる真の測定に基づいて推測したい。 モデルパラメータが見積もられたら、汚染された人や感染した人の数など、他のすべての関連する指標を予測できます。 そこで本研究では, 日々の死亡件数から, 修正SEIRモデルパラメータの正しいセットを推定するために, 深層畳み込みネットワークを訓練する自己教師型アプローチを提案する。 次に,確率的座標降下法を用いて解を洗練する。 ディープラーニングの最適化手法を従来のグリッド探索手法と比較し,計算時間と予測精度に大きな改善点を示す。 ルーマニアの死亡率が約0.3%のケースで楽観的な結果が得られ、このモデルが今後3週間にわたって毎日の死亡数を正確に予測できることも示しています。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Coronavirus disease situation analysis and prediction using machine learning: a study on Bangladeshi population [1.7188280334580195]
  バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。 本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
  論文  参考訳（メタデータ） (2022-07-12T09:48:41Z)
• Inverse problem for parameters identification in a modified SIRD epidemic model using ensemble neural networks [0.0]
  主な目標は、ルーマニアにおける新型コロナウイルスの進化の分析にこのアプローチを適用することであった。 本稿では,死者を別カテゴリとみなすSIRDモデルのパラメータ同定手法を提案する。 死亡者数について10日から45日間の異なる期間の予測について説明する。
  論文  参考訳（メタデータ） (2022-02-28T10:54:29Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。