論文の概要: Can Self Reported Symptoms Predict Daily COVID-19 Cases?
- arxiv url: http://arxiv.org/abs/2105.08321v1
- Date: Tue, 18 May 2021 07:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 23:29:16.339032
- Title: Can Self Reported Symptoms Predict Daily COVID-19 Cases?
- Title（参考訳）: 自己申告症状は毎日のcovid-19感染者を予測できるか?
- Authors: Parth Patwa and Viswanatha Reddy and Rohan Sukumaran and Sethuraman TV
and Eptehal Nashnoush and Sheshank Shankar and Rishemjit Kaur and Abhishek
Singh and Ramesh Raskar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.029443053416399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The COVID-19 pandemic has impacted lives and economies across the globe,
leading to many deaths. While vaccination is an important intervention, its
roll-out is slow and unequal across the globe. Therefore, extensive testing
still remains one of the key methods to monitor and contain the virus. Testing
on a large scale is expensive and arduous. Hence, we need alternate methods to
estimate the number of cases. Online surveys have been shown to be an effective
method for data collection amidst the pandemic. In this work, we develop
machine learning models to estimate the prevalence of COVID-19 using
self-reported symptoms. Our best model predicts the daily cases with a mean
absolute error (MAE) of 226.30 (normalized MAE of 27.09%) per state, which
demonstrates the possibility of predicting the actual number of confirmed cases
by utilizing self-reported symptoms. The models are developed at two levels of
data granularity - local models, which are trained at the state level, and a
single global model which is trained on the combined data aggregated across all
states. Our results indicate a lower error on the local models as opposed to
the global model. In addition, we also show that the most important symptoms
(features) vary considerably from state to state. This work demonstrates that
the models developed on crowd-sourced data, curated via online platforms, can
complement the existing epidemiological surveillance infrastructure in a
cost-effective manner.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックが世界中の生活や経済に影響を及ぼし、多くの死者を出した。
ワクチン接種は重要な介入であるが、ロールアウトは世界中で遅く、不平等である。
そのため、大規模な検査はウイルスをモニターし、封じ込めるための重要な方法の1つとして残っている。
大規模なテストは高価で厳しいです。
したがって、ケース数を見積もる別の方法が必要である。
オンライン調査は、パンデミック中のデータ収集に有効な方法であることが示されている。
本研究では,自己申告症状を用いて新型コロナウイルスの感染率を推定する機械学習モデルを開発した。
最善のモデルでは、1州あたり平均絶対誤差(mae)が226.30(maeは27.09%)と予測され、自己報告症状を用いて実際の感染者数を予測する可能性が示された。
モデルは、状態レベルでトレーニングされるローカルモデルと、すべての州で集約された複合データに基づいてトレーニングされる単一のグローバルモデルという、2つのレベルのデータ粒度で開発されている。
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。
また、最も重要な症状(機能)は、状態によって大きく異なることも示している。
この研究は、クラウドソーシングデータに基づいて開発されたモデルは、オンラインプラットフォームを介してキュレーションされ、既存の疫学的監視インフラを費用対効果で補完できることを示した。
関連論文リスト
- Coronavirus disease situation analysis and prediction using machine
learning: a study on Bangladeshi population [1.7188280334580195]
バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。
本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
論文 参考訳（メタデータ） (2022-07-12T09:48:41Z) - Forecasting COVID- 19 cases using Statistical Models and Ontology-based
Semantic Modelling: A real time data analytics approach [1.8008011356310047]
本研究では,SARIMA や FBProphet などの統計時系列モデルを用いて,COVID-19 の日常的,回復的,死亡例を正確にモニタリングする予測モデルを開発した。
COVID-19 Ontologyを開発し、設計したOntology上でSPARQLクエリを使用してさまざまなクエリを実行する。
個別の症例予測では、約497件のサンプルが検査され、5種類の新型コロナウイルスクラスに分類されている。
論文 参考訳（メタデータ） (2022-06-06T11:58:11Z) - Image Data collection and implementation of deep learning-based model in
detecting Monkeypox disease using modified VGG16 [0.0]
新たに開発された"Monkeypox2022"データセットを紹介します。
研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。
検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
論文 参考訳（メタデータ） (2022-06-04T00:34:15Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - 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) - 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) - 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) - A kinetic model for qualitative understanding and analysis of the effect
of complete lockdown imposed by India for controlling the COVID-19 disease
spread by the SARS-CoV-2 virus [0.0]
現在進行中のSARS-CoV-2ウイルスによる世界的なパンデミックは、世界中に波及している。
インド連邦政府は翌日から全土が完全に封鎖されたという前例のない発表を行った。
本研究は、インド領の96%以上をカバーする運動モデルを用いて、この決定の意味を科学的に分析することを目的とする。
論文 参考訳（メタデータ） (2020-04-12T19:34:12Z)
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。