論文の概要: Machine Learning for Infectious Disease Risk Prediction: A Survey

• arxiv url: http://arxiv.org/abs/2308.03037v1
• Date: Sun, 6 Aug 2023 06:57:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 16:58:12.000413
• Title: Machine Learning for Infectious Disease Risk Prediction: A Survey
• Title（参考訳）: 感染症リスク予測のための機械学習
• Authors: Mutong Liu, Yang Liu, Jiming Liu
• Abstract要約: 本稿では,機械学習が病気の伝達パターンを定量的に特徴づける上で,いかに重要な役割を果たせるかを体系的に記述する。 モデル入力の処理、タスク指向の目的の設計、性能評価の実行において直面する課題について議論する。
• 参考スコア（独自算出の注目度）: 14.030548098195258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infectious diseases, either emerging or long-lasting, place numerous people at risk and bring heavy public health burdens worldwide. In the process against infectious diseases, predicting the epidemic risk by modeling the disease transmission plays an essential role in assisting with preventing and controlling disease transmission in a more effective way. In this paper, we systematically describe how machine learning can play an essential role in quantitatively characterizing disease transmission patterns and accurately predicting infectious disease risks. First, we introduce the background and motivation of using machine learning for infectious disease risk prediction. Next, we describe the development and components of various machine learning models for infectious disease risk prediction. Specifically, existing models fall into three categories: Statistical prediction, data-driven machine learning, and epidemiology-inspired machine learning. Subsequently, we discuss challenges encountered when dealing with model inputs, designing task-oriented objectives, and conducting performance evaluation. Finally, we conclude with a discussion of open questions and future directions.
• Abstract（参考訳）: 感染性疾患(新興型か長期型か)は、多くの人々を危険にさらし、世界中で大きな公衆衛生上の負担をもたらす。 伝染病に対するプロセスにおいて、疾患感染のモデル化による感染リスクの予測は、疾患感染の予防及び制御をより効果的な方法で支援する上で重要な役割を担っている。 本稿では,機械学習が病気の伝染パターンを定量的に特徴付け,感染症リスクを正確に予測する上で重要な役割を果たすことを体系的に記述する。 まず,機械学習を用いた感染症リスク予測の背景とモチベーションを紹介する。 次に,感染症リスク予測のための各種機械学習モデルの開発とコンポーネントについて述べる。 具体的には、既存のモデルは統計予測、データ駆動機械学習、疫学にインスパイアされた機械学習の3つのカテゴリに分類される。 次に,モデル入力処理やタスク指向目標の設計,パフォーマンス評価を行う際の課題について論じる。 最後に、オープンな質問と今後の方向性について議論する。

関連論文リスト

• Artificial Intelligence for Infectious Disease Prediction and Prevention: A Comprehensive Review [1.4874449172133888]
  この論文は、AIの可能性を批判的に評価し、感染症管理の限界について概説する。 地域内の伝染病の拡散を防ぐための公衆衛生データを用いた予測、患者が感染性疾患に罹患しているかどうかを検出するための患者の医療データを用いた予測、公共医療データと患者医療データを用いて人口内で拡散している病気の程度を推定する予測の3つの分野に分類する。
  論文  参考訳（メタデータ） (2024-11-14T00:43:32Z)
• Infectious Disease Forecasting in India using LLM's and Deep Learning [0.3141085922386211]
  本稿では,感染症発生の重症度を予測するためのディープラーニングアルゴリズムとLCMを実装した。 私たちの研究から得た知見は、将来のアウトブレイクに対する堅牢な予測システムの構築を支援することを目的としています。
  論文  参考訳（メタデータ） (2024-10-26T12:54:09Z)
• Review of Interpretable Machine Learning Models for Disease Prognosis [6.758348517014495]
  新型コロナウイルス(COVID-19)のパンデミックを受けて、解釈可能な機械学習が大きな注目を集めている。 本稿では,呼吸器疾患の予後を予測するための解釈可能な機械学習の応用について概説する。
  論文  参考訳（メタデータ） (2024-05-19T20:39:46Z)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Forecasting new diseases in low-data settings using transfer learning [0.0]
  転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。 転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2022-04-07T17:54:39Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Interpretable Disease Prediction based on Reinforcement Path Reasoning over Knowledge Graphs [15.339137501579087]
  疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。 我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。 対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
  論文  参考訳（メタデータ） (2020-10-16T10:46:28Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)

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。