論文の概要: Improving epidemic testing and containment strategies using machine learning

• arxiv url: http://arxiv.org/abs/2011.11717v1
• Date: Mon, 23 Nov 2020 20:46:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 03:30:40.660169
• Title: Improving epidemic testing and containment strategies using machine learning
• Title（参考訳）: 機械学習による流行検査と封じ込め戦略の改善
• Authors: Laura Natali, Saga Helgadottir, Onofrio M. Marago, and Giovanni Volpe
• Abstract要約: 機械学習は、どの個人がテストに最も有益かを特定するのに利用できることを示す。 SIRモデルを用いて流行をシミュレートした。 確認された最初のケースに関するデータを使って、ニューラルネットワークをトレーニングし、残りの人口について予測することを学びます。
• 参考スコア（独自算出の注目度）: 0.31498833540989407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Containment of epidemic outbreaks entails great societal and economic costs. Cost-effective containment strategies rely on efficiently identifying infected individuals, making the best possible use of the available testing resources. Therefore, quickly identifying the optimal testing strategy is of critical importance. Here, we demonstrate that machine learning can be used to identify which individuals are most beneficial to test, automatically and dynamically adapting the testing strategy to the characteristics of the disease outbreak. Specifically, we simulate an outbreak using the archetypal susceptible-infectious-recovered (SIR) model and we use data about the first confirmed cases to train a neural network that learns to make predictions about the rest of the population. Using these prediction, we manage to contain the outbreak more effectively and more quickly than with standard approaches. Furthermore, we demonstrate how this method can be used also when there is a possibility of reinfection (SIRS model) to efficiently eradicate an endemic disease.
• Abstract（参考訳）: アウトブレイクの発生は、大きな社会的・経済的コストを伴う。 コスト効率の良い封じ込め戦略は、感染した個人を効率的に識別し、利用可能なテストリソースを最大限に活用することに依存している。 したがって、最適なテスト戦略を素早く特定することが重要である。 ここでは、機械学習を用いて、どの個人が検査に最も有益であるかを識別し、自動的かつ動的に検査戦略を病原体の特徴に適応させることを実証する。 具体的には,sir(archetypal susceptible-infectious-recovered)モデルを用いて集団発生をシミュレートし,最初に確認された症例のデータを用いてニューラルネットワークを訓練し,残りの個体群について予測を行う。 これらの予測を用いることで、通常のアプローチよりもより効果的かつ迅速にアウトブレイクを封じ込めます。 さらに,本手法は,感染性疾患を効果的に根絶するための再感染(SIRSモデル)の可能性がある場合にも有効であることを示す。

関連論文リスト

• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
  戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。 感染症の監視は、ユニークな統計上の課題を提示する。 適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
  論文  参考訳（メタデータ） (2022-12-05T17:04:17Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Reinforced Contact Tracing and Epidemic Intervention [8.141401074784406]
  我々は,スマートディファレンスコントロール戦略を探索するIDRLECA(Reinforcement Learning Epidemic Control Agent)を開発した。 IDRLECAは感染を非常に低いレベルで抑制し、95%以上の人体移動を維持できる。
  論文  参考訳（メタデータ） (2021-02-04T08:31:48Z)
• Whom to Test? Active Sampling Strategies for Managing COVID-19 [1.4610038284393163]
  本稿では、新型コロナウイルスなどのパンデミック時に感染を検査する個人を選択する方法を提案する。 ここで提示されるスマートテストのアイデアは、機械学習におけるアクティブラーニングとマルチアームバンディット技術によって動機付けられている。
  論文  参考訳（メタデータ） (2020-12-25T02:04:50Z)
• 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)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A Partially Observable MDP Approach for Sequential Testing for Infectious Diseases such as COVID-19 [29.84897273754802]
  本研究では,制約付き逐次学習に基づく資源配分問題として,テスト問題をキャストできることを示す。 そして、感染した個体数を最小化する効率的な学習戦略を開発する。
  論文  参考訳（メタデータ） (2020-07-25T22:13:37Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。