論文の概要: Modeling COVID-19 uncertainties evolving over time and density-dependent
social reinforcement and asymptomatic infections
- arxiv url: http://arxiv.org/abs/2108.10029v1
- Date: Mon, 23 Aug 2021 09:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:54:56.969064
- Title: Modeling COVID-19 uncertainties evolving over time and density-dependent
social reinforcement and asymptomatic infections
- Title（参考訳）: 時間とともに進化するcovid-19の不確実性と密度依存型社会強化と無症候性感染症のモデル化
- Authors: Qing Liu and Longbing Cao
- Abstract要約: 新型コロナウイルス感染症2019(COVID-19)は、特異で未知の問題の複雑さとモデリングの課題を提示する。
新型コロナウイルスのインキュベーション期間や無症候性感染症でよく見られる非文書化(U)と文書化(D)を特徴付けるための新しいハイブリッドアプローチを導入する。
- 参考スコア（独自算出の注目度）: 35.57038204847526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The novel coronavirus disease 2019 (COVID-19) presents unique and unknown
problem complexities and modeling challenges, where an imperative task is to
model both its process and data uncertainties, represented in implicit and
high-proportional undocumented infections, asymptomatic contagion, social
reinforcement of infections, and various quality issues in the reported data.
These uncertainties become even more phenomenal in the overwhelming
mutation-dominated resurgences with vaccinated but still susceptible
populations. Here we introduce a novel hybrid approach to (1) characterizing
and distinguishing Undocumented (U) and Documented (D) infections commonly seen
during COVID-19 incubation periods and asymptomatic infections by expanding the
foundational compartmental epidemic Susceptible-Infected-Recovered (SIR) model
with two compartments, resulting in a new Susceptible-Undocumented
infected-Documented infected-Recovered (SUDR) model; (2) characterizing the
probabilistic density of infections by empowering SUDR to capture exogenous
processes like clustering contagion interactions, superspreading and social
reinforcement; and (3) approximating the density likelihood of COVID-19
prevalence over time by incorporating Bayesian inference into SUDR. Different
from existing COVID-19 models, SUDR characterizes the undocumented infections
during unknown transmission processes. To capture the uncertainties of temporal
transmission and social reinforcement during the COVID-19 contagion, the
transmission rate is modeled by a time-varying density function of undocumented
infectious cases. We solve the modeling by sampling from the mean-field
posterior distribution with reasonable priors, making SUDR suitable to handle
the randomness, noise and sparsity of COVID-19 observations widely seen in the
public COVID-19 case data.
- Abstract（参考訳）: 新型コロナウイルス感染症2019(COVID-19)は、そのプロセスとデータの不確実性の両方をモデル化し、無症候性感染、感染の社会的強化、報告されたデータにおける様々な品質問題で表される、独特で未知の複雑な問題とモデリング課題を提示する。
これらの不確実性は、ワクチンを服用しながらも感受性の高い集団による圧倒的な突然変異優位の再発においてさらに驚くべきものとなる。
Here we introduce a novel hybrid approach to (1) characterizing and distinguishing Undocumented (U) and Documented (D) infections commonly seen during COVID-19 incubation periods and asymptomatic infections by expanding the foundational compartmental epidemic Susceptible-Infected-Recovered (SIR) model with two compartments, resulting in a new Susceptible-Undocumented infected-Documented infected-Recovered (SUDR) model; (2) characterizing the probabilistic density of infections by empowering SUDR to capture exogenous processes like clustering contagion interactions, superspreading and social reinforcement; and (3) approximating the density likelihood of COVID-19 prevalence over time by incorporating Bayesian inference into SUDR.
既存の新型コロナウイルスモデルとは異なり、SUDRは未知の感染過程における未文書の感染を特徴付ける。
新型コロナウイルス感染時の時間的伝達と社会強化の不確実性を把握するため、感染率を未記録の感染者の時間的変動密度関数によってモデル化する。
本研究は, 平均体後部分布から適切な先行点を抽出し, 一般のCOVID-19症例データで広く見られるランダム性, ノイズ, 空間性を扱うのに適したSUDRを同定した。
関連論文リスト
- Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a
Deep Learning study [0.7832189413179361]
2019年末の新型コロナウイルス(COVID-19)の流行は、世界中を揺さぶり、何百万人もの命を奪った健康危機の始まりだった。
廃水のウイルス負荷データの有効性に関するコンセンサスにもかかわらず、ウイルス負荷を利用して新型コロナウイルスの予測を改善する方法論的なアプローチが欠如している。
本稿では,日常的な症例とバイラルロードデータとの関係を自動的に把握するために,ディープラーニングを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-12-17T04:57:44Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - 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) - Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point
Process View [44.67854875502783]
1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。
この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。
本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
論文 参考訳（メタデータ） (2021-06-24T15:26:46Z) - COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。
本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文 参考訳（メタデータ） (2021-05-03T04:00:59Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - 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) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳（メタデータ） (2020-07-14T07:04:57Z) - Quantifying the Effects of Contact Tracing, Testing, and Containment
Measures in the Presence of Infection Hotspots [18.227721607607183]
複数の証拠は、一人が他の多くの人に感染するホットスポットが、新型コロナウイルスの感染動態において重要な役割を担っていることを強く示唆している。
個人が接触し、互いに感染するサイトへの訪問を具体的に表現する、時間的ポイントプロセスモデリングフレームワークを導入する。
我々のモデルでは、自然に感染した個体によって引き起こされる感染の数が過度に分散する。
論文 参考訳（メタデータ） (2020-04-15T17:18:32Z)
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。