論文の概要: PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic
- arxiv url: http://arxiv.org/abs/2006.13693v1
- Date: Wed, 17 Jun 2020 17:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:42:49.898603
- Title: PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic
- Title（参考訳）: PECAIQR : Covid-19 疫病に応用した感染症のモデル
- Authors: Richard Bao, August Chen, Jethin Gowda, Shiva Mudide
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Covid-19 pandemic has made clear the need to improve modern multivariate
time-series forecasting models. Current state of the art predictions of future
daily deaths and, especially, hospital resource usage have confidence intervals
that are unacceptably wide. Policy makers and hospitals require accurate
forecasts to make informed decisions on passing legislation and allocating
resources. We used US county-level data on daily deaths and population
statistics to forecast future deaths. We extended the SIR epidemiological model
to a novel model we call the PECAIQR model. It adds several new variables and
parameters to the naive SIR model by taking into account the ramifications of
the partial quarantining implemented in the US. We fitted data to the model
parameters with numerical integration. Because of the fit degeneracy in
parameter space and non-constant nature of the parameters, we developed several
methods to optimize our fit, such as training on the data tail and training on
specific policy regimes. We use cross-validation to tune our hyper parameters
at the county level and generate a CDF for future daily deaths. For predictions
made from training data up to May 25th, we consistently obtained an averaged
pinball loss score of 0.096 on a 14 day forecast. We finally present examples
of possible avenues for utility from our model. We generate longer-time horizon
predictions over various 1-month windows in the past, forecast how many medical
resources such as ventilators and ICU beds will be needed in counties, and
evaluate the efficacy of our model in other countries.
- Abstract（参考訳）: Covid-19パンデミックは、現代の多変量時系列予測モデルを改善する必要性を明確にしている。
将来の日常的な死の美術予測の現状、特に病院の資源利用は、許容できないほど広い信頼区間を持っている。
政策立案者や病院は、法律を成立させ、資源を割り当てる上で、正確な予測を必要とする。
郡レベルでの日々の死亡数と人口統計のデータを使って、将来の死亡数を予測した。
我々はSIR疫学モデルをPECAIQRモデルと呼ばれる新しいモデルに拡張した。
SIRモデルにいくつかの新しい変数とパラメータを追加し、米国で実装された部分隔離の影響を考慮に入れた。
数値積分によりモデルパラメータにデータを取り付ける。
パラメータ空間の適合性の低下とパラメータの非定常性から,データテールのトレーニングや特定のポリシーレジームのトレーニングなど,適合性を最適化するためのいくつかの手法を開発した。
我々はクロスバリデーションを用いて、郡レベルでハイパーパラメータを調整し、将来の毎日の死亡に備えCDFを生成する。
5月25日までのトレーニングデータから得られた予測では,14日間の予測で平均ピンボール損失スコアが0.096であった。
最終的に、我々のモデルからユーティリティーの可能な道の例を示す。
我々は,過去1ヶ月の様々な窓上での長期地平線予測を行い,換気器やicuベッドなどの医療資源が郡でどれだけ必要か予測し,他国におけるモデルの有効性を評価する。
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) - 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) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - 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) - 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) - 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) - 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) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
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。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z) - 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) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。
モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。
疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文 参考訳（メタデータ） (2020-04-23T07:25:46Z)
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。