論文の概要: Machine Learning-Powered Mitigation Policy Optimization in
Epidemiological Models
- arxiv url: http://arxiv.org/abs/2010.08478v1
- Date: Fri, 16 Oct 2020 16:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:09:10.484176
- Title: Machine Learning-Powered Mitigation Policy Optimization in
Epidemiological Models
- Title（参考訳）: 疫学モデルにおける機械学習による緩和政策最適化
- Authors: Jayaraman J. Thiagarajan, Peer-Timo Bremer, Rushil Anirudh, Timothy C.
Germann, Sara Y. Del Valle, Frederick H. Streitz
- Abstract要約: 疫学モデルに基づく最適な政策勧告を得るための新しいアプローチを提案する。
このようなルックアヘッド戦略は、指定された制約に順応する非自明なポリシーを推測する。
- 参考スコア（独自算出の注目度）: 33.88734751290751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A crucial aspect of managing a public health crisis is to effectively balance
prevention and mitigation strategies, while taking their socio-economic impact
into account. In particular, determining the influence of different
non-pharmaceutical interventions (NPIs) on the effective use of public
resources is an important problem, given the uncertainties on when a vaccine
will be made available. In this paper, we propose a new approach for obtaining
optimal policy recommendations based on epidemiological models, which can
characterize the disease progression under different interventions, and a
look-ahead reward optimization strategy to choose the suitable NPI at different
stages of an epidemic. Given the time delay inherent in any epidemiological
model and the exponential nature especially of an unmanaged epidemic, we find
that such a look-ahead strategy infers non-trivial policies that adhere well to
the constraints specified. Using two different epidemiological models, namely
SEIR and EpiCast, we evaluate the proposed algorithm to determine the optimal
NPI policy, under a constraint on the number of daily new cases and the primary
reward being the absence of restrictions.
- Abstract（参考訳）: 公衆衛生危機を管理する上で重要な側面は、社会経済的影響を考慮しつつ、予防と緩和戦略を効果的にバランスさせることである。
特に、ワクチンがいつ利用可能になるかの不確実性を考えると、公共資源の有効利用に対する異なる非医薬品介入(NPI)の影響を決定することは重要な問題である。
本稿では, 疫学モデルに基づいて, 異なる介入による疾患進行を特徴づける最適な政策レコメンデーションを得るための新しいアプローチと, 流行の異なる段階で適切なNPIを選択するためのルックアヘッド報酬最適化戦略を提案する。
疫学モデルに固有の時間遅延と,特に非管理的流行の指数性を考えると,このようなルックアヘッド戦略は,規定された制約に順応する非自明な政策を推測する。
本研究では,SEIR と EpiCast の2つの異なる疫学モデルを用いて,毎日の新規症例数に制約を課して最適な NPI ポリシーを決定するアルゴリズムの評価を行った。
関連論文リスト
- Epidemic Control on a Large-Scale-Agent-Based Epidemiology Model using
Deep Deterministic Policy Gradient [0.7244731714427565]
ロックダウン、急激な予防接種プログラム、学校閉鎖、経済刺激は、肯定的または意図しない否定的な結果をもたらす可能性がある。
ラウンドトリップを通じて自動的に最適な介入をモデル化し決定するための現在の研究は、シミュレーション目標、スケール(数千人)、介入研究に適さないモデルタイプ、探索可能な介入戦略の数(離散対連続)によって制限されている。
我々は,大規模(100,000人)の疫学的エージェントに基づくシミュレーションに基づいて,DDPGに基づく政策最適化フレームワークを用いて,これらの課題に対処する。
論文 参考訳（メタデータ） (2023-04-10T09:26:07Z) - Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top
exploration [53.122045119395594]
マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。
$m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。
ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
論文 参考訳（メタデータ） (2023-01-30T12:22:30Z) - 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) - Discrete Stochastic Optimization for Public Health Interventions with
Constraints [1.8275108630751844]
本稿では,2009年のH1N1と新型コロナウイルスのパンデミックについて,オープンソースのモンテカルロシミュレーションによってモデル化された疾患の拡散について述べる。
最適化の目的は、社会に最小限の経済損失をもたらすため、介入戦略の最良の組み合わせを決定することである。
論文 参考訳（メタデータ） (2022-06-27T21:21:25Z) - Optimal non-pharmaceutical intervention policy for Covid-19 epidemic via
neuroevolution algorithm [0.0]
ウイルス感染サイクルを乱し、医療制度が完全に経済的な負担に圧倒されるのを防ぐための政策。
我々は,非薬剤感染症介入の相対的人・経済・医療費を構成する介入政策モデルを開発した。
提案モデルでは,医療システムの負担を最大容量以下に抑えるため,接触率を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-10-23T16:26:50Z) - Optimal Control Policies to Address the Pandemic Health-Economy Dilemma [2.5649050169091376]
非薬剤的介入(NPI)は、パンデミックを封じ込めるための効果的な手段である。
しかし、このような規制措置は一般的に経済に悪影響を及ぼす。
我々は、この健康経済ジレンマ(HED)の解決を支援するマクロレベルのアプローチを提案する。
論文 参考訳（メタデータ） (2021-02-24T13:39:07Z) - 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) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Multi-Objective Model-based Reinforcement Learning for Infectious
Disease Control [19.022696762983017]
新型コロナウイルス(COVID-19)などの重症感染症が公衆衛生に大きな脅威をもたらす。
学校閉鎖や自宅待機命令などの厳格な規制措置は大きな効果がある一方で、経済的損失も大きい。
本稿では,データ駆動型意思決定の促進と長期的コストの最小化を目的とした多目的モデルに基づく強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-09T23:55:27Z) - A Deep Q-learning/genetic Algorithms Based Novel Methodology For
Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。
報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。
どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
論文 参考訳（メタデータ） (2020-05-15T17:17:45Z)
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。