論文の概要: Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a
Deep Learning study
- arxiv url: http://arxiv.org/abs/2212.08798v1
- Date: Sat, 17 Dec 2022 04:57:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:09:57.400025
- Title: Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a
Deep Learning study
- Title（参考訳）: 米国における新型コロナウイルス予報のための排水モニタリングの活用 : 深層学習による研究
- Authors: Mehrdad Fazli, Heman Shakeri
- Abstract要約: 2019年末の新型コロナウイルス(COVID-19)の流行は、世界中を揺さぶり、何百万人もの命を奪った健康危機の始まりだった。
廃水のウイルス負荷データの有効性に関するコンセンサスにもかかわらず、ウイルス負荷を利用して新型コロナウイルスの予測を改善する方法論的なアプローチが欠如している。
本稿では,日常的な症例とバイラルロードデータとの関係を自動的に把握するために,ディープラーニングを用いた手法を提案する。
- 参考スコア（独自算出の注目度）: 0.7832189413179361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The outburst of COVID-19 in late 2019 was the start of a health crisis that
shook the world and took millions of lives in the ensuing years. Many
governments and health officials failed to arrest the rapid circulation of
infection in their communities. The long incubation period and the large
proportion of asymptomatic cases made COVID-19 particularly elusive to track.
However, wastewater monitoring soon became a promising data source in addition
to conventional indicators such as confirmed daily cases, hospitalizations, and
deaths. Despite the consensus on the effectiveness of wastewater viral load
data, there is a lack of methodological approaches that leverage viral load to
improve COVID-19 forecasting. This paper proposes using deep learning to
automatically discover the relationship between daily confirmed cases and viral
load data. We trained one Deep Temporal Convolutional Networks (DeepTCN) and
one Temporal Fusion Transformer (TFT) model to build a global forecasting
model. We supplement the daily confirmed cases with viral loads and other
socio-economic factors as covariates to the models. Our results suggest that
TFT outperforms DeepTCN and learns a better association between viral load and
daily cases. We demonstrated that equipping the models with the viral load
improves their forecasting performance significantly. Moreover, viral load is
shown to be the second most predictive input, following the containment and
health index. Our results reveal the feasibility of training a
location-agnostic deep-learning model to capture the dynamics of infection
diffusion when wastewater viral load data is provided.
- Abstract（参考訳）: 2019年末の新型コロナウイルス(COVID-19)の流行は、世界が震え上がり、続く数年で数百万人の命を奪った健康危機の始まりだった。
多くの政府や保健当局は、彼らのコミュニティにおける急速な感染の循環を逮捕できなかった。
長いインキュベーション期間と無症候性症例の多さにより、特に追跡が困難になった。
しかし, 廃水モニタリングは, 日常の確認, 入院, 死亡などの従来の指標に加えて, すぐさま有望なデータ源となった。
廃水ウイルス負荷データの有効性に関するコンセンサスにもかかわらず、新型コロナウイルスの予測を改善するためにウイルス負荷を利用する方法論的アプローチが欠如している。
本稿では,深層学習を用いて1日当たりの感染者数とウイルス負荷データの関係を自動的に把握する手法を提案する。
我々は、グローバルな予測モデルを構築するために、Deep Temporal Convolutional Networks(DeepTCN)とTFT(Temporal Fusion Transformer)モデルを1つトレーニングした。
ウイルス負荷などの社会経済的要因をモデルとの共変量として日常的に確認した症例を補足する。
以上の結果から,TFTはDeepTCNより優れ,ウイルス負荷と日常症例の関連性が良好であることが示唆された。
バイラル負荷でモデルに装着すると予測性能が大幅に向上することを示した。
さらに、ウイルスの負荷は封じ込めと健康指数に次いで第2の予測入力であることが示されている。
本研究は, 廃水ウイルス負荷データ提供時の感染拡散のダイナミクスを捉えるために, 位置非依存型ディープラーニングモデルを訓練することの可能性を明らかにする。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - A spatiotemporal machine learning approach to forecasting COVID-19
incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。
われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。
4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文 参考訳（メタデータ） (2021-09-24T17:40:08Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。
本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文 参考訳（メタデータ） (2021-05-03T04:00:59Z) - Deep learning via LSTM models for COVID-19 infection forecasting in
India [13.163271874039191]
卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。
リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。
感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。
以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T09:19:10Z) - 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) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。