論文の概要: Revisiting Non-Specific Syndromic Surveillance

• arxiv url: http://arxiv.org/abs/2101.12246v1
• Date: Thu, 28 Jan 2021 19:33:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 11:22:28.799316
• Title: Revisiting Non-Specific Syndromic Surveillance
• Title（参考訳）: 非特異的シンドロミックサーベイランスの再検討
• Authors: Moritz Kulessa, Eneldo Loza Menc\'ia, Johannes F\"urnkranz
• Abstract要約: シンドロミック監視は、できるだけ早く発生を検知できるアルゴリズムを開発することを目的としている。 近年の研究は主に、特定の既知の疾患の監視に焦点を当てている。 今までのところ、我々が「非特異的なシナドロミック監視」と呼ぶものにはほとんど注力していない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Infectious disease surveillance is of great importance for the prevention of major outbreaks. Syndromic surveillance aims at developing algorithms which can detect outbreaks as early as possible by monitoring data sources which allow to capture the occurrences of a certain disease. Recent research mainly focuses on the surveillance of specific, known diseases, putting the focus on the definition of the disease pattern under surveillance. Until now, only little effort has been devoted to what we call non-specific syndromic surveillance, i.e., the use of all available data for detecting any kind of outbreaks, including infectious diseases which are unknown beforehand. In this work, we revisit published approaches for non-specific syndromic surveillance and present a set of simple statistical modeling techniques which can serve as benchmarks for more elaborate machine learning approaches. Our experimental comparison on established synthetic data and real data in which we injected synthetic outbreaks shows that these benchmarks already achieve very competitive results and often outperform more elaborate algorithms.
• Abstract（参考訳）: 感染性疾患の監視は、大流行の予防に非常に重要である。 syndromic surveillanceは、特定の疾患の発生を捉えるデータソースを監視することで、可能な限り早期にアウトブレイクを検出できるアルゴリズムの開発を目指している。 近年の研究は主に特定の既知の疾患の監視に焦点を合わせ、監視下の疾患パターンの定義に焦点をあてている。 これまでは、非特異的シンドローム監視(non-specific syndromic surveillance、非特異的シンドローム監視)と呼ばれるもの、すなわち、事前に未知の感染症を含むあらゆる種類のアウトブレイクを検出するために利用可能なデータの使用に、ほとんど努力が払われていなかった。 本研究では,非特異なシンドロミック監視のためのアプローチを再検討し,より精巧な機械学習手法のベンチマークとして機能する,単純な統計モデリング手法を提案する。 確立された合成データと合成アウトブレイクを注入した実データに関する実験的比較により、これらのベンチマークは、既に非常に競争力のある結果を達成しており、しばしばより精巧なアルゴリズムよりも優れています。

関連論文リスト

• Artificial Intelligence for Infectious Disease Prediction and Prevention: A Comprehensive Review [1.4874449172133888]
  この論文は、AIの可能性を批判的に評価し、感染症管理の限界について概説する。 地域内の伝染病の拡散を防ぐための公衆衛生データを用いた予測、患者が感染性疾患に罹患しているかどうかを検出するための患者の医療データを用いた予測、公共医療データと患者医療データを用いて人口内で拡散している病気の程度を推定する予測の3つの分野に分類する。
  論文  参考訳（メタデータ） (2024-11-14T00:43:32Z)
• 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)
• SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
  本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。 以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-25T13:21:01Z)
• Federated Epidemic Surveillance [21.643185633769814]
  本研究は, 簡易なフェデレーション監視手法の実現可能性を検討することを目的とする。 疫病関連データストリームの急激な増加を特定するための仮説テストフレームワークを提案する。 我々は,実データと半合成データを用いて,サージ検出のための異なるp値の組み合わせ手法のパワーを評価する。
  論文  参考訳（メタデータ） (2023-07-05T19:41:47Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Correlation-based Discovery of Disease Patterns for Syndromic Surveillance [0.0]
  シナドロミック監視は 早期の症状の 検出を目的としてる 早期症状は通常多くの疾患で共有され、特定の疾患は感染の初期段階にいくつかの臨床像を持つことがある。 歴史的データからそのようなパターンを発見するための,新しい,データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T11:50:26Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。