論文の概要: Small Area Estimation of Case Growths for Timely COVID-19 Outbreak
Detection
- arxiv url: http://arxiv.org/abs/2312.04110v1
- Date: Thu, 7 Dec 2023 07:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 15:39:26.487762
- Title: Small Area Estimation of Case Growths for Timely COVID-19 Outbreak
Detection
- Title（参考訳）: タイムリーなCOVID-19アウトブレイク検出のための小面積の事例分析
- Authors: Zhaowei She, Zilong Wang, Jagpreet Chhatwal, Turgay Ayer
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは世界経済に大きな影響を与え、人間の生活に大きな被害を与え続けている。
新型コロナウイルス(COVID-19)の感染拡大率は、流行の回復の効果的な検出と封じ込めを見積り、監視するための重要な疫学的パラメータである。
成長速度の推定とそれによるアウトブレイク検出における根本的な課題は、精度と速度のトレードオフのバランスにある。
我々は、この精度と速度のトレードオフをバランスさせる、Transfer Learning Generalized Random Forest (TLGRF)と呼ばれる機械学習アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 4.478818286947472
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The COVID-19 pandemic has exerted a profound impact on the global economy and
continues to exact a significant toll on human lives. The COVID-19 case growth
rate stands as a key epidemiological parameter to estimate and monitor for
effective detection and containment of the resurgence of outbreaks. A
fundamental challenge in growth rate estimation and hence outbreak detection is
balancing the accuracy-speed tradeoff, where accuracy typically degrades with
shorter fitting windows. In this paper, we develop a machine learning (ML)
algorithm, which we call Transfer Learning Generalized Random Forest (TLGRF),
that balances this accuracy-speed tradeoff. Specifically, we estimate the
instantaneous COVID-19 exponential growth rate for each U.S. county by using
TLGRF that chooses an adaptive fitting window size based on relevant day-level
and county-level features affecting the disease spread. Through transfer
learning, TLGRF can accurately estimate case growth rates for counties with
small sample sizes. Out-of-sample prediction analysis shows that TLGRF
outperforms established growth rate estimation methods. Furthermore, we
conducted a case study based on outbreak case data from the state of Colorado
and showed that the timely detection of outbreaks could have been improved by
up to 224% using TLGRF when compared to the decisions made by Colorado's
Department of Health and Environment (CDPHE). To facilitate implementation, we
have developed a publicly available outbreak detection tool for timely
detection of COVID-19 outbreaks in each U.S. county, which received substantial
attention from policymakers.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは世界経済に大きな影響を与え、人間の生活に大きな被害を与え続けている。
新型コロナウイルス(COVID-19)の感染拡大率は、流行の回復の効果的な検出と封じ込めを見積り、監視するための重要な疫学的パラメータである。
成長速度の推定とそれによるアウトブレイク検出の根本的な課題は、精度と速度のトレードオフのバランスにある。
本稿では,この精度と速度のトレードオフを両立させる機械学習アルゴリズム,Transfer Learning Generalized Random Forest (TLGRF) を開発した。
具体的には、各郡における即時的なCOVID-19指数的な成長率を、その拡大に影響を与える日次および郡レベルの特徴に基づいて適応的な適合窓のサイズを選択するTLGRFを用いて推定する。
転送学習により、TLGRFは小さなサンプルサイズを持つ郡のケース成長率を正確に推定することができる。
サンプル外予測分析の結果,tlgrfは確立した成長速度推定法を上回っている。
さらに,コロラド州におけるアウトブレイク事例データに基づくケーススタディを行い,コロラド州保健環境省 (CDPHE) の意思決定と比較すると, TLGRFを用いて発生のタイムリー検出を最大224%改善できることを示した。
実装を容易にするため,米国各郡で新型コロナウイルスの流行をタイムリーに検出するツールを開発し,政策立案者から大きな注目を集めた。
関連論文リスト
- 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) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - 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) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - 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) - Estimating County-Level COVID-19 Exponential Growth Rates Using
Generalized Random Forests [2.1379208289090594]
アウトブレイク検出における現実的な課題は、精度と速度のバランスをとることである。
本稿では、一般化ランダム森林(GRF)を用いて、このトレードオフのバランスをとるための機械学習フレームワークを提案する。
アルゴリズムは、病気の拡大に影響を与える関連する特徴に基づいて、各郡に適応的な嵌合窓のサイズを選択する。
実験結果から, 新型コロナウイルス感染拡大前の7日間の症例数予測において, 適応しないウィンドウサイズ選択よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2020-10-31T02:34:15Z) - Estimating COVID-19 cases and outbreaks on-stream through phone-calls [0.0]
そこで本稿では,電話から電話回線へのデータを用いて,オンデマンドで新型コロナウイルス感染者数を推定するアルゴリズムを提案する。
我々は、このアルゴリズムを使って疫病をオンデマンドで追跡する方法を示し、実験結果に先立ってアウトブレイク警報(Early Outbreak Alarm)を提示する。
論文 参考訳（メタデータ） (2020-10-10T15:44:05Z) - COVID-19 Pandemic Outbreak in the Subcontinent: A data-driven analysis [0.8057708414390126]
2019年12月下旬、中国湖北省武漢市で新型コロナウイルス(COVID-19)が流行した。
多くの研究が、この亜大陸は新型コロナウイルスの影響で最悪の地域にとどまる可能性があると主張している。
本稿ではバングラデシュ、インド、パキスタンの公開疫学データを用いて再生数を推定する。
論文 参考訳（メタデータ） (2020-08-22T10:40:17Z) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳（メタデータ） (2020-06-23T03:36:19Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z)
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。