Fugu-MT 論文翻訳(概要): Assessing dengue fever risk in Costa Rica by using climate variables and machine learning techniques

論文の概要: Assessing dengue fever risk in Costa Rica by using climate variables and machine learning techniques

arxiv url: http://arxiv.org/abs/2204.01483v1
Date: Wed, 23 Mar 2022 19:59:15 GMT
ステータス: 処理完了
システム内更新日: 2022-04-10 13:02:55.541403
Title: Assessing dengue fever risk in Costa Rica by using climate variables and machine learning techniques
Title（参考訳）: 気候変数と機械学習技術を用いたコスタリカのデング熱リスク評価
Authors: Luis A. Barboza, Shu-Wei Chou, Paola V\'asquez, Yury E. Garc\'ia, Juan G. Calvo, Hugo C. Hidalgo, Fabio Sanchez
Abstract要約: デング熱は、主に熱帯や亜熱帯の国々に感染するベクター性疾患であり、毎年何百万人もの人に影響を及ぼし、公衆衛生にとって重大な負担であると考えられている。本稿では,GAMLSS (Generalized Additive Model for location, scale, and shape) とランダムフォレスト (Random Forest,RF) 機械学習アルゴリズムを用いた気候変数の効果について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dengue fever is a vector-borne disease mostly endemic to tropical and subtropical countries that affect millions every year and is considered a significant burden for public health. Its geographic distribution makes it highly sensitive to climate conditions. Here, we explore the effect of climate variables using the Generalized Additive Model for location, scale, and shape (GAMLSS) and Random Forest (RF) machine learning algorithms. Using the reported number of dengue cases, we obtained reliable predictions. The uncertainty of the predictions was also measured. These predictions will serve as input to health officials to further improve and optimize the allocation of resources prior to dengue outbreaks.
Abstract（参考訳）: デング熱(dengue fever)は、熱帯・亜熱帯諸国において、毎年何百万人にも及び、公衆衛生に重大な負担を負うベクター病である。その地理的分布は気候に非常に敏感である。本稿では,GAMLSS (Generalized Additive Model for location, scale, and shape) とランダムフォレスト (Random Forest,RF) 機械学習アルゴリズムを用いた気候変数の効果について検討する。報告されたデング症例数を用いて,信頼性の高い予測を得た。予測の不確実性も測定された。これらの予測は、デング熱発生前の資源配分をさらに改善し最適化するため、保健当局への入力となる。

関連論文リスト

FWin transformer for dengue prediction under climate and ocean influence [1.6114012813668932]
デング熱は最も致命的な蚊由来の熱帯感染症の1つである。本研究では,長期予測のためのデング症例の予測法について検討した。
論文参考訳（メタデータ） (2024-03-10T19:20:55Z)
An ensemble neural network approach to forecast Dengue outbreak based on climatic condition [2.3080278150530424]
デング熱(英: Dengue fever)は、アフリカ、アメリカ、アジアに100以上の熱帯・亜熱帯の国々に分布する病原体である。提案モデルは、ウェーブレットをアンサンブルニューラルネットワークフレームワークに変換する統合アプローチである。提案したXEWNetはデング発生事例と降雨の複雑な非線形関係を可能にする。
論文参考訳（メタデータ） (2022-12-16T07:49:15Z)
Correlations Between COVID-19 and Dengue [0.8164433158925593]
本稿では、ニューラルネットワークアプローチが、デングとCOVID-19のデータ、および外部要因をどのように組み込むことができるかを示す。我々は、新型コロナウイルスとデング熱の患者数に非常に似た傾向を示す相関モデルを定義した。次に、両疾患を組み込んだLong Short-term memory model (LSTM) に拡張することで、モデルの有効性を説明する。
論文参考訳（メタデータ） (2022-07-27T14:55:28Z)
Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文参考訳（メタデータ） (2021-05-06T15:24:00Z)
From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文参考訳（メタデータ） (2021-03-14T17:56:17Z)
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)
Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文参考訳（メタデータ） (2020-12-08T16:30:43Z)
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)
Ensemble Forecasting of the Zika Space-TimeSpread with Topological Data Analysis [13.838100337224075]
ジカウイルスは、主にAedes aegyptiとAedes albopictusの蚊に噛まれて伝染する。その結果、ジカウイルス感染の頻度は、降水量、高温、人口密度の高い地域では一般的である。累積ベティ数の概念を導入し,その累積ベティ数をトポロジカル記述子として3つの機械学習モデルに統合する。
論文参考訳（メタデータ） (2020-09-24T16:42:19Z)
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)
Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文参考訳（メタデータ） (2020-04-23T07:25:46Z)

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。