論文の概要: Machine learning in front of statistical methods for prediction spread
SARS-CoV-2 in Colombia
- arxiv url: http://arxiv.org/abs/2208.05910v1
- Date: Thu, 11 Aug 2022 16:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:49:27.675641
- Title: Machine learning in front of statistical methods for prediction spread
SARS-CoV-2 in Colombia
- Title(参考訳): コロンビアにおける予測拡散SARS-CoV-2の統計的手法による機械学習
- Authors: A. Estupi\~n\'an, J. Acu\~na, A. Rodriguez, A. Ayala, C.
Estupi\~n\'an, Ramon E. R. Gonzalez, D. A. Triana-Camacho and K. L.
Cristiano-Rodr\'iguez
- Abstract要約: コロンビアの新型コロナウイルスに関する分析研究は、数学的モデルと機械学習手法を用いて行われた。
感染者数、死亡者数、感染した人々、ウイルスに感染した人々について、これまでの分析は550日間のタイムラインで行われてきた。
4つの異なる予防シナリオが提案され、疾患に関連する各パラメータの比率が評価された。
- 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: An analytical study of the disease COVID-19 in Colombia was carried out using
mathematical models such as Susceptible-Exposed-Infectious-Removed (SEIR),
Logistic Regression (LR), and a machine learning method called Polynomial
Regression Method. Previous analysis has been performed on the daily number of
cases, deaths, infected people, and people who were exposed to the virus, all
of them in a timeline of 550 days. Moreover, it has made the fitting of
infection spread detailing the most efficient and optimal methods with lower
propagation error and the presence of statistical biases. Finally, four
different prevention scenarios were proposed to evaluate the ratio of each one
of the parameters related to the disease.
- Abstract(参考訳): コロンビアにおける新型コロナウイルス(covid-19)に関する分析研究は、感受性曝露感染除去(seir)、ロジスティック回帰(lr)、多項式回帰法と呼ばれる機械学習法などの数学的モデルを用いて行われた。
感染者数、死亡者数、感染した人々、ウイルスに感染した人々について、これまでの分析は550日間のタイムラインで行われてきた。
さらに, 伝播誤差の低減と統計的バイアスの有無を考慮し, 最も効率的かつ最適な方法について詳述した。
最後に4つの異なる予防シナリオを提案し,疾患に関連する各パラメータの比率について検討した。
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) - Forecasting COVID- 19 cases using Statistical Models and Ontology-based
Semantic Modelling: A real time data analytics approach [1.8008011356310047]
本研究では,SARIMA や FBProphet などの統計時系列モデルを用いて,COVID-19 の日常的,回復的,死亡例を正確にモニタリングする予測モデルを開発した。
COVID-19 Ontologyを開発し、設計したOntology上でSPARQLクエリを使用してさまざまなクエリを実行する。
個別の症例予測では、約497件のサンプルが検査され、5種類の新型コロナウイルスクラスに分類されている。
論文 参考訳(メタデータ) (2022-06-06T11:58:11Z) - Identifying and mitigating bias in algorithms used to manage patients in
a pandemic [4.756860520861679]
現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。
モデルではバイアス試験の回数が57%減少した。
キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
論文 参考訳(メタデータ) (2021-10-30T21:10:56Z) - Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep
22, 2021, based on deep learning [0.0]
本研究の目的は,イランにおける新規患者数,死亡者数,回復患者数を180日間,効率的に推定することである。
予測手法、時系列、機械学習アルゴリズムの4つの異なるタイプが開発され、与えられたケーススタディに最適なパフォーマンス方法が決定されます。
論文 参考訳(メタデータ) (2021-03-15T07:36:12Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳(メタデータ) (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - 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 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳(メタデータ) (2020-05-07T12:16:37Z)
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。