論文の概要: Predictors of disease outbreaks at continentalscale in the African region: Insights and predictions with geospatial artificial intelligence using earth observations and routine disease surveillance data

• arxiv url: http://arxiv.org/abs/2411.06436v1
• Date: Sun, 10 Nov 2024 11:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:31.987379
• Title: Predictors of disease outbreaks at continentalscale in the African region: Insights and predictions with geospatial artificial intelligence using earth observations and routine disease surveillance data
• Title（参考訳）: アフリカ地域の大陸規模における疫病の発生予測:地球観測と定期的な疫病監視データを用いた地理空間人工知能による洞察と予測
• Authors: Scott Pezanowski, Etien Luc Koua, Joseph C Okeibunor, Abdou Salam Gueye,
• Abstract要約: この研究はアフリカ大陸の大部分(約17,885,000 km2)をカバーしている。 マラリア,コレラ,髄膜炎,黄熱病の症例数について,まずグローバルおよび局所的自己相関法を適用した。 次に、機械学習を用いて、第2級行政区におけるこれらの疾患の週次存在を予測した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Objectives: Our research adopts computational techniques to analyze disease outbreaks weekly over a large geographic area while maintaining local-level analysis by incorporating relevant high-spatial resolution cultural and environmental datasets. The abundance of data about disease outbreaks gives scientists an excellent opportunity to uncover patterns in disease spread and make future predictions. However, data over a sizeable geographic area quickly outpace human cognition. Our study area covers a significant portion of the African continent (about 17,885,000 km2). The data size makes computational analysis vital to assist human decision-makers. Methods: We first applied global and local spatial autocorrelation for malaria, cholera, meningitis, and yellow fever case counts. We then used machine learning to predict the weekly presence of these diseases in the second-level administrative district. Lastly, we used machine learning feature importance methods on the variables that affect spread. Results: Our spatial autocorrelation results show that geographic nearness is critical but varies in effect and space. Moreover, we identified many interesting hot and cold spots and spatial outliers. The machine learning model infers a binary class of cases or none with the best F1 score of 0.96 for malaria. Machine learning feature importance uncovered critical cultural and environmental factors affecting outbreaks and variations between diseases. Conclusions: Our study shows that data analytics and machine learning are vital to understanding and monitoring disease outbreaks locally across vast areas. The speed at which these methods produce insights can be critical during epidemics and emergencies.
• Abstract（参考訳）: 目的: 本研究は, 地域レベルでの地域レベルの分析を維持しつつ, 高空間解像度の文化的・環境的データセットを組み込むことにより, 毎週, 大規模地域における疫病発生を解析するための計算手法を取り入れた。 病気の発生に関するデータの豊富さは、病気の流行のパターンを解明し、将来予測する絶好の機会となる。 しかし、大きさの大きい地理的領域のデータは、人間の認知を急速に上回っている。 調査地域はアフリカ大陸の大部分(約17,885,000 km2)をカバーしている。 データサイズは、人間の意思決定を支援するために、計算分析を不可欠にします。 方法: マラリア, コレラ, 髄膜炎, 黄熱病の症例数について, 局所的およびグローバルな自己相関法を最初に適用した。 次に、機械学習を用いて、第2級行政区におけるこれらの疾患の週次存在を予測した。 最後に,拡散に影響を及ぼす変数に対して,機械学習の特徴的手法を用いた。 結果: 空間的自己相関の結果から, 地理的近接性は重要であるが, 効果や空間によって異なることが示唆された。 さらに,多くの興味深いホットスポットとコールドスポットと空間外縁部を同定した。 機械学習モデルは、マラリアにとって最高のF1スコアが0.96である場合のバイナリクラスを推論する。 機械学習の特徴は、流行や病気のバリエーションに影響を及ぼす重要な文化的・環境的要因を明らかにすることである。 結論:我々の研究は、データ分析と機械学習が、広範囲にわたる病気の発生の理解とモニタリングに不可欠であることを示している。 これらの手法が洞察を生み出す速度は、疫病や緊急時に重要である。

関連論文リスト

• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
  2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。 パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。 研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
  論文  参考訳（メタデータ） (2023-03-23T17:19:26Z)
• Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models [1.101002667958165]
  本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。 テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。 次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
  論文  参考訳（メタデータ） (2022-10-06T23:45:37Z)
• 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)
• An Interactive Dashboard for Real-Time Analytics and Monitoring of COVID-19 Outbreak in India: A proof of Concept [0.0]
  データサイエンス技術を用いてSARS-CoV-2流行に追従する複数の指標のデータ可視化と分析のためのダッシュボードアプリケーションを開発した。 時間的傾向, 流行曲線, 成長率, 倍増時間, 有効再生数などの主要な疫学的パラメータを含む, インタラクティブでユーザフレンドリな, 基本的な疫学的監視のための地域レベルのツールが推定された。
  論文  参考訳（メタデータ） (2021-08-23T05:14:12Z)
• The Effects of Air Quality on the Spread of the COVID-19. An Artificial Intelligence Approach [3.997680012976965]
  本研究の目的は,イタリア地方における大気汚染とcovid-19の感染状況の関連について検討することである。 日頃のCOVID-19の事例と、気温、相対湿度、大気汚染物質などの環境要因との相関関係の分析を報告します。 これは、将来の感染数を予測するために環境パラメータでトレーニングされた機械学習モデルが正確であることを示唆している。
  論文  参考訳（メタデータ） (2021-04-09T19:08:59Z)
• STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework for Pandemic Monitoring and Management [28.205715426050105]
  行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。 本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。 i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
  論文  参考訳（メタデータ） (2021-04-04T12:29:31Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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。