論文の概要: A Study of Data-driven Methods for Adaptive Forecasting of COVID-19 Cases

• arxiv url: http://arxiv.org/abs/2309.09698v1
• Date: Mon, 18 Sep 2023 12:03:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 13:41:01.335416
• Title: A Study of Data-driven Methods for Adaptive Forecasting of COVID-19 Cases
• Title（参考訳）: 新型コロナウイルスの適応的予測のためのデータ駆動手法に関する研究
• Authors: Charithea Stylianides, Kleanthis Malialis, Panayiotis Kolios
• Abstract要約: この研究は、非定常条件に適応するモデルを漸進的に訓練するためのデータ駆動(学習、統計)手法を研究する。 本研究では, ウイルス波毎の性能解析, 特徴抽出, ウィンドウサイズ, メモリサイズ, 次, 7日, 14日の予測タスクなど, 様々な特性について検討した。
• 参考スコア（独自算出の注目度）: 6.11718619764613
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Severe acute respiratory disease SARS-CoV-2 has had a found impact on public health systems and healthcare emergency response especially with respect to making decisions on the most effective measures to be taken at any given time. As demonstrated throughout the last three years with COVID-19, the prediction of the number of positive cases can be an effective way to facilitate decision-making. However, the limited availability of data and the highly dynamic and uncertain nature of the virus transmissibility makes this task very challenging. Aiming at investigating these challenges and in order to address this problem, this work studies data-driven (learning, statistical) methods for incrementally training models to adapt to these nonstationary conditions. An extensive empirical study is conducted to examine various characteristics, such as, performance analysis on a per virus wave basis, feature extraction, "lookback" window size, memory size, all for next-, 7-, and 14-day forecasting tasks. We demonstrate that the incremental learning framework can successfully address the aforementioned challenges and perform well during outbreaks, providing accurate predictions.
• Abstract（参考訳）: 重篤な急性呼吸器疾患SARS-CoV-2は、公衆衛生システムや救急医療の緊急対応に特に、どの時点でも最も効果的な措置を講ずる決定に影響を及ぼしている。 新型コロナウイルスによる過去3年間に実証されたように、陽性症例数の予測は意思決定を促進する効果的な方法となり得る。 しかし、データの可用性が限られており、ウイルスの透過性が極めて動的で不確実であるため、この課題は非常に困難である。 これらの課題を調査し、この問題に対処するために、これらの非定常条件に適応するモデルを漸進的に訓練するためのデータ駆動(学習、統計)手法を研究する。 本研究では,ウイルス波毎の性能解析,特徴抽出,「振り返り」ウィンドウサイズ,メモリサイズ,次の7日,14日の予測タスクなど,様々な特性について実験的に検討した。 この段階的な学習フレームワークは、上記の課題にうまく対処し、アウトブレイク時にうまく機能し、正確な予測が可能であることを実証する。

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)
• 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)
• Discovering COVID-19 Coughing and Breathing Patterns from Unlabeled Data Using Contrastive Learning with Varying Pre-Training Domains [3.935053618942546]
  本研究は,非ウイルス性うさぎの呼吸パターン発見のための,対照的な学習に基づくモデリング手法を提案する。 以上の結果から, 提案モデルでは, ラベル付けされていないデータやラベル付けされていない非新型コロナウイルスを, 0.81 と 0.86 の精度で効果的に識別できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-02T18:41:39Z)
• 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)
• Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
  本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。 新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
  論文  参考訳（メタデータ） (2022-11-01T20:42:26Z)
• 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 Patient Demand at Urgent Care Clinics using Machine Learning [0.0]
  本研究は,ニュージーランドのオークランドにある2つの大規模救急医療施設において,患者の正確なプレゼンテーションを機械学習で作成する能力について検討した。 この問題領域の最も効果的なテクニックを決定するために, 日常的な患者需要予測を3ヶ月前に行うために, 機械学習アルゴリズムを多数検討した。 その結果, アンサンブルをベースとした手法は, 最も正確で一貫したソリューションを平均で提供し, 既存手法に比べて23%-27%の改善を実現し, 日々の需要を推定した。
  論文  参考訳（メタデータ） (2022-05-25T22:27:49Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• 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)
• DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
  今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。 様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
  論文  参考訳（メタデータ） (2020-07-31T23:37:38Z)

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。