Fugu-MT 論文翻訳(概要): AICov: An Integrative Deep Learning Framework for COVID-19 Forecasting with Population Covariates

論文の概要: AICov: An Integrative Deep Learning Framework for COVID-19 Forecasting with Population Covariates

arxiv url: http://arxiv.org/abs/2010.03757v1
Date: Thu, 8 Oct 2020 04:41:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-09 11:32:30.073121
Title: AICov: An Integrative Deep Learning Framework for COVID-19 Forecasting with Population Covariates
Title（参考訳）: AICov: 人口共生によるCOVID-19予測のための統合的なディープラーニングフレームワーク
Authors: Geoffrey C. Fox, Gregor von Laszewski, Fugang Wang, and Saumyadipta Pyne
Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、健康、経済、社会、政治、そしてほぼすべての人間の生活に深刻な世界的影響をもたらしている。新型コロナウイルスや他のパンデミックを、より広い社会的文脈でモデル化することが非常に重要である。我々は、新型コロナウイルスの予測のための統合的なディープラーニングフレームワークを提供するAICovのアーキテクチャを提示する。
参考スコア（独自算出の注目度）: 0.13124513975412255
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The COVID-19 pandemic has profound global consequences on health, economic, social, political, and almost every major aspect of human life. Therefore, it is of great importance to model COVID-19 and other pandemics in terms of the broader social contexts in which they take place. We present the architecture of AICov, which provides an integrative deep learning framework for COVID-19 forecasting with population covariates, some of which may serve as putative risk factors. We have integrated multiple different strategies into AICov, including the ability to use deep learning strategies based on LSTM and even modeling. To demonstrate our approach, we have conducted a pilot that integrates population covariates from multiple sources. Thus, AICov not only includes data on COVID-19 cases and deaths but, more importantly, the population's socioeconomic, health and behavioral risk factors at a local level. The compiled data are fed into AICov, and thus we obtain improved prediction by integration of the data to our model as compared to one that only uses case and death data.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、健康、経済、社会、政治、そしてほぼすべての人間の生活に深刻な世界的な影響をもたらす。したがって、COVID-19や他のパンデミックを、その発生するより広い社会的文脈でモデル化することが非常に重要である。本稿では,AICovのアーキテクチャについて紹介する。AICovは,集団共変量予測のための統合的深層学習の枠組みを提供する。 LSTMに基づくディープラーニング戦略やモデリングなど、さまざまな戦略をAICovに統合しています。提案手法を実証するために,複数のソースからの集団共変量を統合するパイロット実験を行った。したがって、AICovは新型コロナウイルスの感染者や死亡に関するデータだけでなく、人口の社会経済的、健康的、行動的危険因子を地域レベルで含んでいる。コンパイルされたデータはAICovに入力され、ケースデータとデスデータのみを使用するものと比較して、モデルへのデータ統合による予測の改善が得られる。

関連論文リスト

HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文参考訳（メタデータ） (2024-10-19T18:52:18Z)
Machine learning approach to dynamic risk modeling of mortality in COVID-19: a UK Biobank study [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
論文参考訳（メタデータ） (2021-04-19T11:51:20Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk [26.228330223358952]
我々は,感染データから流行動態を抽出するための機械支援フレームワークを開発した。この新しいツールボックスは、ドイツで412のランドクライス(国)にまたがる多水準のCO-19流行の予測に最初に利用された。実用上、最悪の死者が35万人であるクリスマスの状況を予測し、効果的な政策は2万人未満に抑える可能性がある。
論文参考訳（メタデータ） (2020-11-30T20:17:19Z)
Analysing the impact of global demographic characteristics over the COVID-19 spread using class rule mining and pattern matching [8.025086113117291]
本研究は、人口統計学的属性と世界的変動の多次元的関連を調査するためのインテリジェントなアプローチを提案する。信頼性のあるソースから複数の人口統計属性とCOVID-19感染データを収集し、インテリジェントアルゴリズムで処理し、データ内の重要な関連やパターンを識別する。
論文参考訳（メタデータ） (2020-09-27T18:43:18Z)
The Past, Present, and Future of COVID-19: A Data-Driven Perspective [4.373183416616983]
新型コロナウイルスの重要な意思決定支援システムとして,Webベースの統合リアルタイム運用ダッシュボードの開発と展開について報告する。パンデミックの今後の結果を予測するため,各種認証情報から得られるデータをもとにデータ駆動分析を行った。また,パンデミックの拡大と社会・経済・環境要因との関係についても検討した。
論文参考訳（メタデータ） (2020-08-12T19:03:57Z)
Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文参考訳（メタデータ） (2020-07-22T18:02:39Z)
From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
論文参考訳（メタデータ） (2020-06-30T03:34:00Z)
COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文参考訳（メタデータ） (2020-05-18T07:40:49Z)
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)
Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。