論文の概要: Non-parametric Bayesian Causal Modeling of the SARS-CoV-2 Viral Load
Distribution vs. Patient's Age
- arxiv url: http://arxiv.org/abs/2105.13483v1
- Date: Thu, 27 May 2021 22:35:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 23:08:47.387010
- Title: Non-parametric Bayesian Causal Modeling of the SARS-CoV-2 Viral Load
Distribution vs. Patient's Age
- Title（参考訳）: sars-cov-2ウイルス負荷分布の非パラメトリックベイズ因果モデルvs.
患者の年齢
- Authors: Matteo Guardiani, Philipp Frank, Andrija Kosti\'c, Gordian Edenhofer,
Jakob Roth, Berit Uhlmann, Torsten En{\ss}lin
- Abstract要約: SARS-CoV-2に感染した患者のウイルス負荷は対数スケールや年齢によって異なる。
ウイルスの負荷分布が実際に患者の年齢に依存しているかどうかについては、文献で論争が起きている。
本稿では, 患者年齢の関数としてのウイルス負荷分布データを, 柔軟で非パラメトリック, 階層的, ベイズ的, 因果的モデルで解析する手法を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The viral load of patients infected with SARS-CoV-2 varies on logarithmic
scales and possibly with age. Controversial claims have been made in the
literature regarding whether the viral load distribution actually depends on
the age of the patients. Such a dependence would have implications for the
COVID-19 spreading mechanism, the age-dependent immune system reaction, and
thus for policymaking. We hereby develop a method to analyze viral-load
distribution data as a function of the patients' age within a flexible,
non-parametric, hierarchical, Bayesian, and causal model. This method can be
applied to other contexts as well, and for this purpose, it is made freely
available. The developed reconstruction method also allows testing for bias in
the data. This could be due to, e.g., bias in patient-testing and data
collection or systematic errors in the measurement of the viral load. We
perform these tests by calculating the Bayesian evidence for each implied
possible causal direction. When applying these tests to publicly available age
and SARS-CoV-2 viral load data, we find a statistically significant increase in
the viral load with age, but only for one of the two analyzed datasets. If we
consider this dataset, and based on the current understanding of viral load's
impact on patients' infectivity, we expect a non-negligible difference in the
infectivity of different age groups. This difference is nonetheless too small
to justify considering any age group as noninfectious.
- Abstract（参考訳）: SARS-CoV-2に感染した患者のウイルス量は対数スケールや年齢によって異なる。
ウイルスの負荷分布が患者の年齢に依存するかどうかに関する文献では、議論の的となっている。
このような依存は、新型コロナウイルスの拡散機構、年齢依存性免疫系反応、つまり政策形成に影響を及ぼす。
本稿では,患者年齢の関数としてのウイルス負荷分布データを,柔軟で非パラメトリック,階層的,ベイズ的,因果的モデルで解析する手法を開発した。
この方法は、他の文脈にも適用でき、この目的のために自由に利用できる。
開発した再構成法では,データのバイアスの検証も可能である。
これは例えば、患者の検査とデータ収集のバイアスや、ウイルス負荷の測定における系統的なエラーによる可能性がある。
これらの実験は,各因果方向のベイズ的証拠を計算して行う。
これらの検査を公開年齢とSARS-CoV-2ウイルス負荷データに適用すると、年齢とともにウイルス負荷が統計的に顕著に増加するが、分析された2つのデータセットのうちの1つに限られる。
このデータセットを考察し、ウイルス負荷が患者の感染率に与える影響の現在の理解に基づいて、異なる年齢集団の感染率に非無視的な違いが期待できる。
この違いは、いかなる年齢層も感染しないと考えるには小さすぎる。
関連論文リスト
- Predicting sub-population specific viral evolution [28.362286268491445]
変分分布全体をモデル化する既存の機械学習アプローチは、位置固有の予測を行うことができない。
本研究では,ウイルスタンパク質の時間分解分布を予測するサブポピュレーション特異的タンパク質進化モデルを提案する。
我々のモデルは、大陸や国間でのウイルスタンパク質の分布を正確に予測する上で、ベースラインよりも優れています。
論文 参考訳（メタデータ） (2024-10-28T20:39:37Z) - Bayesian Networks and Machine Learning for COVID-19 Severity Explanation and Demographic Symptom Classification [12.40025057417184]
新型コロナウイルスの隠れた情報を蒸留する3段階のデータ駆動方式を提案する。
第1段階では、バイエルンネットワーク構造学習法を用いて、新型コロナウイルスの症状の因果関係を同定する。
第2段階として、アウトプットは教師なし機械学習(ML)アルゴリズムをトレーニングするための有用なガイドとして機能する。
最終段階は、クラスタリングから得られたラベルを活用して、人口統計学的症状識別モデルをトレーニングする。
論文 参考訳（メタデータ） (2024-06-16T05:43:24Z) - Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。
ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
論文 参考訳（メタデータ） (2023-12-17T00:42:42Z) - Population Age Group Sensitivity for COVID-19 Infections with Deep
Learning [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、世界中の政府や医療システムにとって前例のない課題を生み出している。
この研究は、米国の郡レベルでの新型コロナウイルス感染率において最も影響力のある年齢層を特定することを目的としている。
論文 参考訳（メタデータ） (2023-07-03T04:56:55Z) - 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) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - COVID-19 Outbreak Prediction and Analysis using Self Reported Symptoms [12.864257751458712]
新型コロナウイルスの流行状況を把握するために、自己報告型症状調査データを用いています。
本研究は、自己申告された症状に基づいて、新型コロナウイルス陽性の集団の確率%を予測しようと試みた。
人口の%がcovid-19ライクな疾患(cli)を患っており、それぞれ0.15%と1.14%が絶対エラーであった。
論文 参考訳（メタデータ） (2020-12-21T00:37:24Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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)
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。