論文の概要: Detecting individual-level infections using sparse group-testing through
graph-coupled hidden Markov models
- arxiv url: http://arxiv.org/abs/2306.02557v1
- Date: Mon, 5 Jun 2023 03:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 17:09:23.014056
- Title: Detecting individual-level infections using sparse group-testing through
graph-coupled hidden Markov models
- Title(参考訳): グラフ結合型隠れマルコフモデルによるスパースグループ検査による個人レベルの感染の検出
- Authors: Zahra Gholamalian, Zeinab Maleki, MasoudReza Hashemi, Pouria Ramazi
- Abstract要約: グラフ結合型マルコフモデルを拡張し,感染状況を隠蔽状態とし,グループテストの結果を観察した。
スパーステストの扱いは未解決のままだが、パンデミック期間中にグループスクリーニングを用いて個人感染状況を正確に推定する可能性が高まっている。
- 参考スコア(独自算出の注目度): 1.0323063834827415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the infection status of each individual during infectious
diseases informs public health management. However, performing frequent
individual-level tests may not be feasible. Instead, sparse and sometimes
group-level tests are performed. Determining the infection status of
individuals using sparse group-level tests remains an open problem. We have
tackled this problem by extending graph-coupled hidden Markov models with
individuals infection statuses as the hidden states and the group test results
as the observations. We fitted the model to simulation datasets using the Gibbs
sampling method. The model performed about 0.55 AUC for low testing frequencies
and increased to 0.80 AUC in the case where the groups were tested every day.
The model was separately tested on a daily basis case to predict the statuses
over time and after 15 days of the beginning of the spread, which resulted in
0.98 AUC at day 16 and remained above 0.80 AUC until day 128. Therefore,
although dealing with sparse tests remains unsolved, the results open the
possibility of using initial group screenings during pandemics to accurately
estimate individuals infection statuses.
- Abstract(参考訳): 感染症における各個人の感染状況の特定は、公衆衛生管理に寄与する。
しかし、頻繁な個別レベルのテストの実行は不可能かもしれない。
代わりにスパーステストやグループレベルのテストが行われる。
少人数のグループレベルのテストによる個人の感染状況の決定は、まだ未解決の問題である。
我々は,グラフ結合型隠れマルコフモデルを拡張し,個人感染状態を隠蔽状態とし,グループ検査結果を観察した。
このモデルをgibbsサンプリング法を用いたシミュレーションデータセットに適用した。
このモデルは低試験周波数で約0.55 AUCを実行し、グループを毎日テストする場合は0.80 AUCに増加した。
このモデルは、拡散開始から15日後に状況を予測するために、毎日のケースで別々にテストされ、16日目に0.98 AUCとなり、128日目まで0.80 AUCを超えていた。
したがって、スパーステストの扱いは未解決のままであるが、パンデミック時にグループスクリーニングを用いて個人感染状況を正確に推定する可能性が開けている。
関連論文リスト
- Development and Validation of a Deep Learning-Based Microsatellite
Instability Predictor from Prostate Cancer Whole-Slide Images [1.4942902702740595]
マイクロサテライト不安定高(MSI-H)は免疫チェックポイントインヒビター治療のための腫瘍非依存バイオマーカーである。
我々は、日常的なH&Eスライドの大規模実世界コホート上で、AIベースのMSI-H診断モデルを開発し、検証した。
このアルゴリズムは前立腺癌患者を免疫療法に誘導し、リンチ症候群に続発するMSI-H症例を同定する可能性がある。
論文 参考訳(メタデータ) (2023-10-12T22:09:53Z) - Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
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。
論文 参考訳(メタデータ) (2022-12-05T17:04:17Z) - Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。
個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文 参考訳(メタデータ) (2022-06-15T16:38:50Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳(メタデータ) (2021-03-30T09:59:56Z) - Group Testing with a Graph Infection Spread Model [61.48558770435175]
感染は個人間のつながりを通じて広がり、その結果、確率的クラスター形成構造と、個人に対する非i.d.感染状態が生じる。
そこで本研究では,既知の確率的感染拡散モデルを利用する2段階のサンプルグループテストアルゴリズムを提案する。
その結果, 感染率が高い場合でも, 集団検査により必要な検査数を大幅に削減できることが示唆された。
論文 参考訳(メタデータ) (2021-01-14T18:51:32Z) - 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) - Timely Tracking of Infection Status of Individuals in a Population [70.21702849459986]
住民の感染状況のリアルタイム追跡について検討した。
この研究では、医療提供者が感染症から回復した人だけでなく、感染した人々も検出したいと考えています。
論文 参考訳(メタデータ) (2020-12-24T18:49:22Z) - 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) - CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection
Risk Estimation Based on Contact Data [6.0785913977668935]
本稿では,SEIRモデルに基づく集団内感染の確率的グラフィカルモデルを提案する。
当社のマイクロレベルモデルでは、各時点の感染状況が記録されており、感染、感染、感染、回復まで様々です。
これは、個々のレベルの接触データに基づいて、新型コロナウイルスの感染拡大を効率的に推測する最初のモデルである。
論文 参考訳(メタデータ) (2020-06-09T04:25:56Z) - Noisy Adaptive Group Testing using Bayesian Sequential Experimental
Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。
本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文 参考訳(メタデータ) (2020-04-26T23:41:33Z)
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。