論文の概要: OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany

• arxiv url: http://arxiv.org/abs/2010.00300v4
• Date: Tue, 2 Nov 2021 11:09:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:55:01.323356
• Title: OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany
• Title（参考訳）: OutbreakFlow: 可逆性ニューラルネットワークによる疾患発生動態のモデルに基づくベイズ推定とドイツのCOVID-19パンデミックへの応用
• Authors: Stefan T. Radev, Frederik Graw, Simiao Chen, Nico T. Mutters, Vanessa M. Eichel, Till B\"arnighausen and Ullrich K\"othe
• Abstract要約: 専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
• 参考スコア（独自算出の注目度）: 0.19791587637442667
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mathematical models in epidemiology are an indispensable tool to determine the dynamics and important characteristics of infectious diseases. Apart from their scientific merit, these models are often used to inform political decisions and intervention measures during an ongoing outbreak. However, reliably inferring the dynamics of ongoing outbreaks by connecting complex models to real data is still hard and requires either laborious manual parameter fitting or expensive optimization methods which have to be repeated from scratch for every application of a given model. In this work, we address this problem with a novel combination of epidemiological modeling with specialized neural networks. Our approach entails two computational phases: In an initial training phase, a mathematical model describing the epidemic is used as a coach for a neural network, which acquires global knowledge about the full range of possible disease dynamics. In the subsequent inference phase, the trained neural network processes the observed data of an actual outbreak and infers the parameters of the model in order to realistically reproduce the observed dynamics and reliably predict future progression. With its flexible framework, our simulation-based approach is applicable to a variety of epidemiological models. Moreover, since our method is fully Bayesian, it is designed to incorporate all available prior knowledge about plausible parameter values and returns complete joint posterior distributions over these parameters. Application of our method to the early Covid-19 outbreak phase in Germany demonstrates that we are able to obtain reliable probabilistic estimates for important disease characteristics, such as generation time, fraction of undetected infections, likelihood of transmission before symptom onset, and reporting delays using a very moderate amount of real-world observations.
• Abstract（参考訳）: 疫学における数学的モデルは、感染症の動態と重要な特徴を決定するのに不可欠である。 科学的メリットとは別に、これらのモデルは、進行中のアウトブレイク時の政治的決定や介入措置を伝えるためにしばしば使用される。 しかしながら、複雑なモデルを実データにつなぐことによって発生しているアウトブレイクのダイナミクスを確実に推測することは依然として困難であり、与えられたモデルのアプリケーションごとにゼロから繰り返す必要のある、手作業によるパラメータフィッティングや高価な最適化方法が必要となる。 本研究では,この問題に,専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせで対処する。 最初のトレーニングフェーズでは、流行を記述する数学的モデルがニューラルネットワークのコーチとして使われ、起こりうる病気のダイナミクスの全範囲についてグローバルに知識を得ます。 その後の推論フェーズでは、トレーニングされたニューラルネットワークが実際の発生の観測データを処理し、観察されたダイナミクスを現実的に再現し、将来の進行を確実に予測するためにモデルのパラメータを推論する。 その柔軟な枠組みにより、シミュレーションに基づくアプローチは様々な疫学モデルに適用できる。 さらに,本手法は完全にベイズ的であるため,可算パラメータ値に関するすべての事前知識を組み込んで,これらのパラメータに対する完全後続分布を返すように設計されている。 ドイツにおけるCovid-19の早期流行期への本手法の適用は、発生時間、未検出感染数、症状発症前の感染可能性、そして、非常に適度な実世界観測による遅延の報告など、重要な疾患特性に関する信頼性の高い確率的推定値を得ることができることを示す。

関連論文リスト

• Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
  我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。 提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• 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)
• Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
  多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。 本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
  論文  参考訳（メタデータ） (2023-06-26T17:09:43Z)
• Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks [23.95944607153291]
  SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。 この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
  論文  参考訳（メタデータ） (2023-02-17T10:36:58Z)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous Data [1.433758865948252]
  本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。 複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。 このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
  論文  参考訳（メタデータ） (2021-06-20T03:41:19Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• 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)

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。