論文の概要: Coronavirus disease situation analysis and prediction using machine
learning: a study on Bangladeshi population
- arxiv url: http://arxiv.org/abs/2207.13056v1
- Date: Tue, 12 Jul 2022 09:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:37:47.604264
- Title: Coronavirus disease situation analysis and prediction using machine
learning: a study on Bangladeshi population
- Title（参考訳）: 機械学習を用いたコロナウイルス病状況分析と予測 : バングラデシュの人口調査
- Authors: Al-Akhir Nayan, Boonserm Kijsirikul, Yuji Iwahori
- Abstract要約: バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。
本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
- 参考スコア（独自算出の注目度）: 1.7188280334580195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During a pandemic, early prognostication of patient infected rates can reduce
the death by ensuring treatment facility and proper resource allocation. In
recent months, the number of death and infected rates has increased more
distinguished than before in Bangladesh. The country is struggling to provide
moderate medical treatment to many patients. This study distinguishes machine
learning models and creates a prediction system to anticipate the infected and
death rate for the coming days. Equipping a dataset with data from March 1,
2020, to August 10, 2021, a multi-layer perceptron (MLP) model was trained. The
data was managed from a trusted government website and concocted manually for
training purposes. Several test cases determine the model's accuracy and
prediction capability. The comparison between specific models assumes that the
MLP model has more reliable prediction capability than the support vector
regression (SVR) and linear regression model. The model presents a report about
the risky situation and impending coronavirus disease (COVID-19) attack.
According to the prediction produced by the model, Bangladesh may suffer
another COVID-19 attack, where the number of infected cases can be between 929
to 2443 and death cases between 19 to 57.
- Abstract（参考訳）: パンデミックの間、患者感染率の早期予後は、治療施設の確保と適切な資源配分によって死亡を減らすことができる。
バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。
この国は多くの患者に適度な医療を提供するのに苦労しています。
本研究は、機械学習モデルを区別し、今後数日の感染率と死亡率を予測する予測システムを作成する。
2020年3月1日から2021年8月10日まで、データセットにデータを搭載し、多層パーセプトロン(mlp)モデルを訓練した。
データは信頼された政府のウェブサイトから管理され、訓練のために手動で収集された。
いくつかのテストケースがモデルの精度と予測能力を決定する。
特定のモデルとの比較では、MLPモデルは支持ベクトル回帰(SVR)や線形回帰モデルよりも信頼性の高い予測能力を持つと仮定される。
モデルでは、危険状況と新型コロナウイルス感染症(COVID-19)の流行に関する報告を提示する。
モデルが作成した予測によると、バングラデシュでは929人から2443人、死亡者19人から57人という新型ウイルスが流行する可能性がある。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。
その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。
この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
論文 参考訳（メタデータ） (2021-05-18T07:26:09Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - 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) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Deep Learning Models for Early Detection and Prediction of the spread of
Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。
新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文 参考訳（メタデータ） (2020-07-29T10:14:11Z) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z) - PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。
我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。
過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
論文 参考訳（メタデータ） (2020-06-17T17:59:55Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - 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)
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。