論文の概要: A general method for estimating the prevalence of Influenza-Like-Symptoms with Wikipedia data

• arxiv url: http://arxiv.org/abs/2010.14903v1
• Date: Wed, 28 Oct 2020 11:44:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 06:32:28.446975
• Title: A general method for estimating the prevalence of Influenza-Like-Symptoms with Wikipedia data
• Title（参考訳）: wikipediaデータを用いたインフルエンザ様シンプトムの流行率推定法
• Authors: Giovanni De Toni, Cristian Consonni, Alberto Montresor
• Abstract要約: インフルエンザ(Influenza)は、世界中で何百万人もの人が感染し、ヨーロッパだけで数千人が死亡する急性呼吸器性季節性疾患である。 欧州4か国(イタリア、ドイツ、ベルギー、オランダ)において、ウィキペディアのページビューに関する情報を利用してインフルエンザ様の病気の発生率を正確に推定できる可能性を示す。 そこで本稿では,Personalized PageRankとCycleRankという2つのアルゴリズムをベースとした言語に依存しない新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.979731979071071
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Influenza is an acute respiratory seasonal disease that affects millions of people worldwide and causes thousands of deaths in Europe alone. Being able to estimate in a fast and reliable way the impact of an illness on a given country is essential to plan and organize effective countermeasures, which is now possible by leveraging unconventional data sources like web searches and visits. In this study, we show the feasibility of exploiting information about Wikipedia's page views of a selected group of articles and machine learning models to obtain accurate estimates of influenza-like illnesses incidence in four European countries: Italy, Germany, Belgium, and the Netherlands. We propose a novel language-agnostic method, based on two algorithms, Personalized PageRank and CycleRank, to automatically select the most relevant Wikipedia pages to be monitored without the need for expert supervision. We then show how our model is able to reach state-of-the-art results by comparing it with previous solutions.
• Abstract（参考訳）: インフルエンザ(Influenza)は、世界中で何百万人もの人が感染し、ヨーロッパだけで数千人が死亡する急性呼吸器疾患である。 病気が特定の国に与える影響を、迅速かつ信頼性の高い方法で推定できることは、効果的な対策を計画し、組織化するために不可欠である。 本研究では, 欧州4カ国(イタリア, ドイツ, ベルギー, オランダ)で発生したインフルエンザ様疾患の正確な推定値を得るために, ウィキペディアが選択した記事のページビューと機械学習モデルの情報を活用できる可能性を示す。 そこで本研究では,パーソナライズされたpagerankとcyclerankという2つのアルゴリズムに基づき,専門家の監督を必要とせず,監視対象の最も関連するwikipediaページを自動的に選択する新しい言語非依存手法を提案する。 そして、これまでのソリューションと比較することで、私たちのモデルが最先端の結果に到達できることを示します。

関連論文リスト

• Disease Outbreak Detection and Forecasting: A Review of Methods and Data Sources [3.64584397341127]
  感染症の早期発見と追跡は、死亡率を低下させる可能性がある。 多くの国が感染症監視システムを導入しており、疫病の発見が主な目的となっている。 インターネットとソーシャルメディアは、ユーザが好みや関係に関する情報を共有する重要なプラットフォームになっている。 本稿では,時系列データを用いたアウトブレイク検出のための研究者による既存の標準手法について概説する。
  論文  参考訳（メタデータ） (2024-10-21T16:20:06Z)
• Epidemic outbreak prediction using machine learning models [0.0]
  本稿では, アメリカ合衆国ニューヨーク州における流行の流行(インフルエンザ, 肝炎, マラリア)を, 機械学習とディープラーニングのアルゴリズムを用いて予測する。 このアルゴリズムは、過去のデータを使って5週間のケース数を予測します。 グーグル検索トレンド、社会メディアデータ、気象データなどの非臨床要因も、アウトブレイクの確率を予測するために使われてきた。
  論文  参考訳（メタデータ） (2023-10-30T17:28:44Z)
• Single Model for Influenza Forecasting of Multiple Countries by Multi-task Learning [3.2800968305157205]
  本稿では,アテンションメカニズムを用いた検索クエリを利用した新しいインフルエンザ予測モデルを提案する。 本モデルは,検索クエリとマルチタスク学習を活用することにより,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-05T02:09:26Z)
• Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
  機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。 その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。 この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T07:26:09Z)
• Learning from pandemics: using extraordinary events can improve disease now-casting models [0.0]
  恐怖や好奇心、その他多くの理由は、個人が健康関連情報を検索し、疾患による検索を隠蔽する可能性がある。 本稿では,21世紀の2つのパンデミック(2009-H1N1fluとCovid-19)に注目し,一般情報検索に関連する検索パターンを識別する手法を提案する。 このようなパンデミック期から学習することで,不安感やメディアの誇大広告によって,オンライン検索を選択し,モデル性能を向上させることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-01-17T20:36:19Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• 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)
• Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
  われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。 実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
  論文  参考訳（メタデータ） (2020-06-05T02:04:25Z)
• 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)
• 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。