論文の概要: Adaptive Sequential Surveillance with Network and Temporal Dependence
- arxiv url: http://arxiv.org/abs/2212.02422v1
- Date: Mon, 5 Dec 2022 17:04:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 18:44:02.555399
- Title: Adaptive Sequential Surveillance with Network and Temporal Dependence
- Title（参考訳）: ネットワークと時間依存を考慮した適応型シーケンシャルサーベイランス
- Authors: Ivana Malenica and Jeremy R. Coyle and Mark J. van der Laan and Maya
L. Petersen
- Abstract要約: 戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。
感染症の監視は、ユニークな統計上の課題を提示する。
適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Strategic test allocation plays a major role in the control of both emerging
and existing pandemics (e.g., COVID-19, HIV). Widespread testing supports
effective epidemic control by (1) reducing transmission via identifying cases,
and (2) tracking outbreak dynamics to inform targeted interventions. However,
infectious disease surveillance presents unique statistical challenges. For
instance, the true outcome of interest - one's positive infectious status, is
often a latent variable. In addition, presence of both network and temporal
dependence reduces the data to a single observation. As testing entire
populations regularly is neither efficient nor feasible, standard approaches to
testing recommend simple rule-based testing strategies (e.g., symptom based,
contact tracing), without taking into account individual risk. In this work, we
study an adaptive sequential design involving n individuals over a period of
{\tau} time-steps, which allows for unspecified dependence among individuals
and across time. Our causal target parameter is the mean latent outcome we
would have obtained after one time-step, if, starting at time t given the
observed past, we had carried out a stochastic intervention that maximizes the
outcome under a resource constraint. We propose an Online Super Learner for
adaptive sequential surveillance that learns the optimal choice of tests
strategies over time while adapting to the current state of the outbreak.
Relying on a series of working models, the proposed method learns across
samples, through time, or both: based on the underlying (unknown) structure in
the data. We present an identification result for the latent outcome in terms
of the observed data, and demonstrate the superior performance of the proposed
strategy in a simulation modeling a residential university environment during
the COVID-19 pandemic.
- Abstract（参考訳）: 戦略的なテスト割り当ては、パンデミックと既存のパンデミック(例えば、COVID-19、HIV)の制御において重要な役割を果たしている。
ワイドスプレッドテストは,(1)特定症例による感染抑制,(2)標的介入を通知するアウトブレイクダイナミクスの追跡による効果的な流行抑制を支援する。
しかし、感染症の監視には独特の統計上の課題がある。
例えば、関心の真の結果、すなわち陽性の感染状態は、しばしば潜伏変数である。
さらに、ネットワークと時間的依存の両方の存在は、データを単一の観測に還元する。
集団全体を定期的に検査することは効率的でも実現可能でもないので、テストの標準的なアプローチは、個々のリスクを考慮せずに、単純なルールベースのテスト戦略(症状ベース、接触追跡など)を推奨する。
そこで本研究では,n個の個人が時間ステップを経る適応的な逐次設計法について検討し,個人間の不特定な依存を可能とした。
我々の因果的目標パラメータは、ある時間ステップの後に得られる平均潜在結果であり、観測された過去が与えられたとき、資源制約の下で結果を最大化する確率的介入を実行していた場合である。
本研究では,流行状況に適応しながら,テスト戦略の最適選択を時間とともに学習する,適応型シーケンシャル監視のためのオンラインスーパーラーナーを提案する。
提案手法は一連の動作モデルに基づいて,データの基盤となる(未知)構造に基づいて,サンプル全体,時間的,あるいはその両方について学習する。
本研究は, 新型コロナウイルスのパンデミック時の住宅大学環境をモデル化するシミュレーションにおいて, 観測データの観点からの潜在結果の同定結果を示し, 提案手法の優れた性能を示す。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Accounting For Informative Sampling When Learning to Forecast Treatment
Outcomes Over Time [66.08455276899578]
適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。
逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。
本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
論文 参考訳（メタデータ） (2023-06-07T08:51:06Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-21T21:42:03Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - Whom to Test? Active Sampling Strategies for Managing COVID-19 [1.4610038284393163]
本稿では、新型コロナウイルスなどのパンデミック時に感染を検査する個人を選択する方法を提案する。
ここで提示されるスマートテストのアイデアは、機械学習におけるアクティブラーニングとマルチアームバンディット技術によって動機付けられている。
論文 参考訳（メタデータ） (2020-12-25T02:04:50Z) - 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) - 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) - Continuous Learning and Inference of Individual Probability of
SARS-CoV-2 Infection Based on Interaction Data [0.0]
本研究は,SARS-CoV-2ウイルスの非感染性キャリアーの確率を,対話型連続学習と,感染性ランキングのための個別確率推定(CLIIP)を用いて決定する新しい手法を提案する。
従来の接触追跡法と比較して,非血縁性ウイルスキャリアーの探索に必要なスクリーニングと検疫を最大94%削減する。
論文 参考訳（メタデータ） (2020-06-08T14:52:04Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。