Fugu-MT 論文翻訳(概要): Epidemic modelling of multiple virus strains: a case study of SARS-CoV-2 B.1.1.7 in Moscow

論文の概要: Epidemic modelling of multiple virus strains: a case study of SARS-CoV-2 B.1.1.7 in Moscow

arxiv url: http://arxiv.org/abs/2106.08048v2
Date: Wed, 16 Jun 2021 10:42:48 GMT
ステータス: 処理完了
システム内更新日: 2021-06-17 12:04:10.133405
Title: Epidemic modelling of multiple virus strains: a case study of SARS-CoV-2 B.1.1.7 in Moscow
Title（参考訳）: 複数のウイルス株の疫学的モデリング:モスクワにおけるSARS-CoV-2 B.1.7の事例研究
Authors: Boris Tseytlin and Ilya Makarov
Abstract要約: 我々は同じ集団内で複数のウイルス株をシミュレートするSEIRモデルを開発した。ケーススタディとして,SARS-CoV-2株B.1.1.7がモスクワ市に与える影響について検討した。
参考スコア（独自算出の注目度）: 1.0013376065994979
License: http://creativecommons.org/licenses/by/4.0/
Abstract: During a long-running pandemic a pathogen can mutate, producing new strains with different epidemiological parameters. Existing approaches to epidemic modelling only consider one virus strain. We have developed a modified SEIR model to simulate multiple virus strains within the same population. As a case study, we investigate the potential effects of SARS-CoV-2 strain B.1.1.7 on the city of Moscow. Our analysis indicates a high risk of a new wave of infections in September-October 2021 with up to 35 000 daily infections at peak. We open-source our code and data.
Abstract（参考訳）: 長期にわたるパンデミックの間、病原体は変異し、異なる疫学的パラメータを持つ新しい株を生成する。既存の流行モデルへのアプローチは1つのウイルス株しか考慮していない。我々は同じ集団内で複数のウイルス株をシミュレートするSEIRモデルを開発した。ケーススタディとして,SARS-CoV-2株B.1.1.7がモスクワ市に与える影響について検討した。分析の結果,2021年9月から10月にかけては1日当たり35万件の感染が確認された。コードとデータをオープンソースにしています。

関連論文リスト

Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文参考訳（メタデータ） (2023-07-28T08:01:05Z)
Forecasting new diseases in low-data settings using transfer learning [0.0]
転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
論文参考訳（メタデータ） (2022-04-07T17:54:39Z)
Multi-scale simulation of COVID-19 epidemics [0.0]
新型コロナウイルスの感染拡大が始まってから1年以上が経過している。今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
論文参考訳（メタデータ） (2021-12-02T12:34:11Z)
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)
Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
論文参考訳（メタデータ） (2021-02-03T11:54:24Z)
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)
Exo-SIR: An Epidemiological Model to Analyze the Impact of Exogenous Infection of COVID-19 in India [3.196985524737783]
疫学モデルは疫病のダイナミクスを捉える数学的モデルである。本稿では,新しいモデルであるExo-SIRモデルを紹介する。我々は,コビッド19流行における内因性感染症と内因性感染症の関係を明らかにするために分析を行った。
論文参考訳（メタデータ） (2020-08-13T03:22:47Z)
Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文参考訳（メタデータ） (2020-07-22T18:02:39Z)
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)
Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文参考訳（メタデータ） (2020-03-27T11:32:18Z)
A Time-dependent SIR model for COVID-19 with Undetectable Infected Persons [5.315136504175843]
2つの時系列を追従する時間依存型感受性感染回復モデルを提案する。中国が提供したデータから,確認された症例数の1日の予測誤差がほぼ3%であることがわかった。また、送信率が回復率より小さい日と定義される旋回点を正確に予測することができる。
論文参考訳（メタデータ） (2020-02-28T23:44:13Z)

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。