論文の概要: Optimal non-pharmaceutical intervention policy for Covid-19 epidemic via neuroevolution algorithm

• arxiv url: http://arxiv.org/abs/2110.13633v1
• Date: Sat, 23 Oct 2021 16:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 16:31:53.050965
• Title: Optimal non-pharmaceutical intervention policy for Covid-19 epidemic via neuroevolution algorithm
• Title（参考訳）: 神経進化アルゴリズムによるCovid-19流行の最適非医薬品介入政策
• Authors: Arash Saeidpour and Pejman Rohani
• Abstract要約: ウイルス感染サイクルを乱し、医療制度が完全に経済的な負担に圧倒されるのを防ぐための政策。 我々は,非薬剤感染症介入の相対的人・経済・医療費を構成する介入政策モデルを開発した。 提案モデルでは,医療システムの負担を最大容量以下に抑えるため,接触率を最小限に抑えることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: National responses to the Covid-19 pandemic varied markedly across countries, from business-as-usual to complete shutdowns. Policies aimed at disrupting the viral transmission cycle and preventing the healthcare system from being overwhelmed, simultaneously exact an economic toll. We developed a intervention policy model that comprised the relative human, economic and healthcare costs of non-pharmaceutical epidemic intervention and arrived at the optimal strategy using the neuroevolution algorithm. The proposed model finds the minimum required reduction in contact rates to maintain the burden on the healthcare system below the maximum capacity. We find that such a policy renders a sharp increase in the control strength at the early stages of the epidemic, followed by a steady increase in the subsequent ten weeks as the epidemic approaches its peak, and finally control strength is gradually decreased as the population moves towards herd immunity. We have also shown how such a model can provide an efficient adaptive intervention policy at different stages of the epidemic without having access to the entire history of its progression in the population. This work emphasizes the importance of imposing intervention measures early and provides insights into adaptive intervention policies to minimize the economic impacts of the epidemic without putting an extra burden on the healthcare system.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックに対する国民の反応は、ビジネス・アズ・ユートラルから完全な閉鎖まで、国によって大きく変化した。 ウイルス感染サイクルを乱し、医療システムが圧倒されるのを防ぐための政策は、経済的な負担と全く同時に行われた。 我々は、非薬剤感染症介入の相対的人・経済・医療費を構成する介入政策モデルを開発し、神経進化アルゴリズムを用いて最適な戦略に到達した。 提案モデルでは, 医療システムの負担を最大容量未満に抑えるために, 接触率の最小化が求められている。 このような政策は、流行の初期段階におけるコントロール力の急激な増加を招き、感染がピークに近づくにつれ、その後10週間で着実に増加し、人口が集団免疫に近づくにつれて、コントロール力は徐々に減少していくことが判明した。 また, このモデルが, 人口の進行史全体にアクセスすることなく, 流行の異なる段階において, 効果的な適応的介入政策を提供できることを示す。 本研究は、早期介入対策の実施の重要性を強調し、医療システムに余分な負担をかけることなく、流行の経済的影響を最小限に抑えるための適応介入政策の洞察を提供する。

関連論文リスト

• First 100 days of pandemic; an interplay of pharmaceutical, behavioral and digital interventions -- A study using agent based modeling [14.192977334409104]
  我々は、現実的な薬品、行動、デジタル介入をシミュレートし、現実の政策導入における課題を反映する。 本分析の結果,パンデミックの進行過程を決定する上で,最初の100日間が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-01-09T19:38:59Z)
• Epidemic Control on a Large-Scale-Agent-Based Epidemiology Model using Deep Deterministic Policy Gradient [0.7244731714427565]
  ロックダウン、急激な予防接種プログラム、学校閉鎖、経済刺激は、肯定的または意図しない否定的な結果をもたらす可能性がある。 ラウンドトリップを通じて自動的に最適な介入をモデル化し決定するための現在の研究は、シミュレーション目標、スケール(数千人)、介入研究に適さないモデルタイプ、探索可能な介入戦略の数(離散対連続)によって制限されている。 我々は,大規模(100,000人)の疫学的エージェントに基づくシミュレーションに基づいて,DDPGに基づく政策最適化フレームワークを用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2023-04-10T09:26:07Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• Evaluation of non-pharmaceutical interventions and optimal strategies for containing the COVID-19 pandemic [14.807368322926227]
  政策,移動パターン,ウイルス感染の関連について検討する。 その結果,緊急宣言の権限とマスク着用が強調された。 我々の枠組みは、パンデミック対応のベストプラクティスについて、あらゆる国の政策立案者に通知することができる。
  論文  参考訳（メタデータ） (2022-02-28T17:33:25Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Machine Learning-Powered Mitigation Policy Optimization in Epidemiological Models [33.88734751290751]
  疫学モデルに基づく最適な政策勧告を得るための新しいアプローチを提案する。 このようなルックアヘッド戦略は、指定された制約に順応する非自明なポリシーを推測する。
  論文  参考訳（メタデータ） (2020-10-16T16:27:17Z)
• 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)
• Controlling the Outbreak of COVID-19: A Noncooperative Game Perspective [61.558752620308134]
  孤立と社会的距離は、このパンデミックを抑える効果的な予防措置のようだ。 我々は、新型コロナウイルスの感染拡大を防ぐために、社会的距離を維持するためのインセンティブを提供する非協力型ゲームを提案する。 数値的な結果は、個人のインセンティブが85%以上増加し、家庭隔離の割合が増加することを示している。
  論文  参考訳（メタデータ） (2020-07-27T04:28:32Z)
• A Deep Q-learning/genetic Algorithms Based Novel Methodology For Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
  我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。 報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。 どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
  論文  参考訳（メタデータ） (2020-05-15T17:17:45Z)
• 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)
• Optimising Lockdown Policies for Epidemic Control using Reinforcement Learning [5.174900115018252]
  我々は、健康と経済のバランスを保ちながら、各都市や地域ごとのロックダウン決定を定量的に計算する方法を提案する。 これらのポリシーは、疾患パラメータの関数として提案アルゴリズムによって自動的に学習される。 我々は不完全ロックダウンなどの現実的な考察を考察し、強化学習を用いて得られた政策がロックダウンへの有効な定量的アプローチであることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:04:18Z)

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。