論文の概要: Deep Learning for Disease Outbreak Prediction: A Robust Early Warning Signal for Transcritical Bifurcations

• arxiv url: http://arxiv.org/abs/2501.07764v1
• Date: Tue, 14 Jan 2025 00:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:39.427747
• Title: Deep Learning for Disease Outbreak Prediction: A Robust Early Warning Signal for Transcritical Bifurcations
• Title（参考訳）: 病的アウトブレイク予測のための深層学習 : トランスクリティカル・バイフルケーションのためのロバスト早期警戒信号
• Authors: Reza Miry, Amit K. Chakraborty, Russell Greiner, Mark A. Lewis, Hao Wang, Tianyu Guan, Pouria Ramazi,
• Abstract要約: 早期警戒信号(EWS)は、病気がパンデミックになる前に予防措置を実施するのに不可欠である。 病気の発生時の測定は、しばしば異なるノイズ源によって破壊される。 本研究は,雑音環境下での強靭な早期警告信号の提供により,深層学習の進歩を橋渡しする。
• 参考スコア（独自算出の注目度）: 6.616648875013729
• License:
• Abstract: Early Warning Signals (EWSs) are vital for implementing preventive measures before a disease turns into a pandemic. While new diseases exhibit unique behaviors, they often share fundamental characteristics from a dynamical systems perspective. Moreover, measurements during disease outbreaks are often corrupted by different noise sources, posing challenges for Time Series Classification (TSC) tasks. In this study, we address the problem of having a robust EWS for disease outbreak prediction using a best-performing deep learning model in the domain of TSC. We employed two simulated datasets to train the model: one representing generated dynamical systems with randomly selected polynomial terms to model new disease behaviors, and another simulating noise-induced disease dynamics to account for noisy measurements. The model's performance was analyzed using both simulated data from different disease models and real-world data, including influenza and COVID-19. Results demonstrate that the proposed model outperforms previous models, effectively providing EWSs of impending outbreaks across various scenarios. This study bridges advancements in deep learning with the ability to provide robust early warning signals in noisy environments, making it highly applicable to real-world crises involving emerging disease outbreaks.
• Abstract（参考訳）: 早期警戒信号(EWS)は、病気がパンデミックになる前に予防措置を実施するのに不可欠である。 新しい病気はユニークな行動を示すが、動的システムの観点から基本的な特徴を共有することが多い。 さらに、病気発生時の測定は、しばしば異なるノイズ源によって破壊され、時系列分類(TSC)タスクの課題を提起する。 本研究では,TSC領域における最良性能深層学習モデルを用いて,病気発生予測のための堅牢なEWSを実現することの課題に対処する。 2つのシミュレーションデータセットを用いてモデルを訓練した。1つは、ランダムに選択された多項式項を持つ生成力学系を表現し、もう1つはノイズによって引き起こされる病気の動態をモデル化し、ノイズ測定を考慮に入れた。 モデルの性能は、さまざまな疾患モデルのシミュレーションデータと、インフルエンザやCOVID-19など現実世界のデータの両方を用いて分析された。 その結果,提案モデルが過去のモデルより優れており,様々なシナリオで発生が差し迫っているEWSを効果的に提供できることが示唆された。 本研究は, 深層学習の進歩と, ノイズの多い環境下での堅牢な早期警戒信号の提供を橋渡しし, 新興疾患の発生に伴う現実世界の危機に対して高い適応性を示す。

関連論文リスト

• An early warning indicator trained on stochastic disease-spreading models with different noises [8.228025953197855]
  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。
  論文  参考訳（メタデータ） (2024-03-24T16:49:55Z)
• PEMS: Pre-trained Epidemic Time-series Models [23.897701882327972]
  事前学習型エピデミック時系列モデル(PEMS)を紹介する。 PEMSは、自己教師付き学習(SSL)タスクのセットとして事前トレーニングを定式化することにより、さまざまな病気の時系列データセットから学習する。 その結果、PEMは、さまざまな季節パターン、地理、感染メカニズムのデータセットをまたいださまざまなダウンストリーム時系列タスクにおいて、以前の最先端の手法よりも優れており、Covid-19パンデミックは、より少ないデータセットを使用して、より効率よく事前訓練されたデータに見られない。
  論文  参考訳（メタデータ） (2023-11-14T01:40:21Z)
• 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)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• 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)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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)
• 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)
• 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)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。