論文の概要: An early warning indicator trained on stochastic disease-spreading models with different noises
- arxiv url: http://arxiv.org/abs/2403.16233v1
- Date: Sun, 24 Mar 2024 16:49:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 16:56:25.755871
- Title: An early warning indicator trained on stochastic disease-spreading models with different noises
- Title（参考訳）: 雑音の異なる確率的疾患拡散モデルに基づく早期警戒指標
- Authors: Amit K. Chakraborty, Shan Gao, Reza Miry, Pouria Ramazi, Russell Greiner, Mark A. Lewis, Hao Wang,
- Abstract要約: 早期警戒信号(EWS)は、公衆衛生の効果的な緩和戦略には不可欠である。
様々なノイズ源の影響を受け、現実世界の病気のダイナミクスが広がり、信頼できるEWSを開発する上で大きな課題となる。
本研究は, 現実世界の病原体の複雑な動態に対処し, 早期警戒能力の向上に寄与する。
- 参考スコア（独自算出の注目度）: 8.228025953197855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The timely detection of disease outbreaks through reliable early warning signals (EWSs) is indispensable for effective public health mitigation strategies. Nevertheless, the intricate dynamics of real-world disease spread, often influenced by diverse sources of noise and limited data in the early stages of outbreaks, pose a significant challenge in developing reliable EWSs, as the performance of existing indicators varies with extrinsic and intrinsic noises. Here, we address the challenge of modeling disease when the measurements are corrupted by additive white noise, multiplicative environmental noise, and demographic noise into a standard epidemic mathematical model. To navigate the complexities introduced by these noise sources, we employ a deep learning algorithm that provides EWS in infectious disease outbreak by training on noise-induced disease-spreading models. The indicator's effectiveness is demonstrated through its application to real-world COVID-19 cases in Edmonton and simulated time series derived from diverse disease spread models affected by noise. Notably, the indicator captures an impending transition in a time series of disease outbreaks and outperforms existing indicators. This study contributes to advancing early warning capabilities by addressing the intricate dynamics inherent in real-world disease spread, presenting a promising avenue for enhancing public health preparedness and response efforts.
- Abstract（参考訳）: 早期警戒信号(EWS)による流行のタイムリーな検出は、公衆衛生の効果的な緩和戦略に不可欠である。
それにもかかわらず、様々なノイズ源や限られたデータの影響を受けやすい現実世界の病気の複雑なダイナミクスは、既存の指標の性能が外生的・内生的なノイズによって異なるため、信頼性の高いEWSを開発する上で大きな課題となる。
ここでは, 付加的な白色雑音, 乗算的環境騒音, 人口統計ノイズによって測定値が劣化した場合に, 疾患をモデル化することの課題に対処する。
これらのノイズ源によって引き起こされる複雑さをナビゲートするために、ノイズ誘発疾患拡散モデルのトレーニングにより、感染症発生におけるEWSを提供するディープラーニングアルゴリズムを用いる。
この指標の有効性は、Edmontonの現実のCOVID-19患者への応用と、ノイズに影響された様々な疾患の拡散モデルから導かれるシミュレーション時系列によって実証される。
特に、この指標は、一連の病気の流行で差し迫った変化を捉え、既存の指標よりも優れています。
本研究は, 現実世界の病原体の複雑な動態に対処し, 公衆衛生の充実と対応への道筋を示すことにより, 早期警戒能力の向上に寄与する。
関連論文リスト
- Robust Deep Hawkes Process under Label Noise of Both Event and Occurrence [29.058557502374544]
ロバストディープホークスプロセス(RDHP)は、ホークスモデルの強度関数に対するラベルノイズの影響を克服するためのフレームワークである。
RDHPは、イベントやそのタイミングに関するノイズがあっても、分類や回帰処理を効果的に行うことができる。
これは、ディープホークスプロセスモデルにおけるイベントとタイムラベルのノイズに対処する最初の研究である。
論文 参考訳（メタデータ） (2024-07-24T11:12:01Z) - SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。
以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-06-25T13:21:01Z) - Research on Disease Prediction Model Construction Based on Computer AI deep Learning Technology [4.438184989650338]
本研究は,ロバスト学習アルゴリズムを研究対象とし,感染リスクの早期警告に適用することを目的とする。
トレーニング損失に対する低境界を構築し, サンプリング率に基づく手法を提案し, トレーニング結果に対するノイズの影響を低減した。
論文 参考訳（メタデータ） (2024-06-23T18:44:03Z) - 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) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting
Epidemics [2.705025060422369]
感染性疾患は、世界中でヒトの病気や死亡の原因となっている。
感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
論文 参考訳（メタデータ） (2022-06-21T19:31:25Z) - 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) - OutbreakFlow: Model-based Bayesian inference of disease outbreak
dynamics with invertible neural networks and its application to the COVID-19
pandemics in Germany [0.19791587637442667]
専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。
我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
論文 参考訳（メタデータ） (2020-10-01T11:01:49Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。