論文の概要: Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak
- arxiv url: http://arxiv.org/abs/2502.10786v1
- Date: Sat, 15 Feb 2025 12:39:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:14:14.514193
- Title: Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak
- Title(参考訳): 結核流行の時空間予測のためのエピデミック誘導深層学習
- Authors: Madhab Barman, Madhurima Panja, Nachiketa Mishra, Tanujit Chakraborty,
- Abstract要約: 結核 (TB) は、複雑な伝達ダイナミクスによって引き起こされ、人口移動や行動の変化などの要因の影響を受けながら、世界的健康上の課題である。
先進的な深層学習技術と機械的疫学の原則を融合させるエピデミックガイド型深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Tuberculosis (TB) remains a formidable global health challenge, driven by complex spatiotemporal transmission dynamics and influenced by factors such as population mobility and behavioral changes. We propose an Epidemic-Guided Deep Learning (EGDL) approach that fuses mechanistic epidemiological principles with advanced deep learning techniques to enhance early warning systems and intervention strategies for TB outbreaks. Our framework is built upon a networked Susceptible-Infectious-Recovered (SIR) model augmented with a saturated incidence rate and graph Laplacian diffusion, capturing both long-term transmission dynamics and region-specific population mobility patterns. Compartmental model parameters are rigorously estimated using Bayesian inference via the Markov Chain Monte Carlo (MCMC) approach. Theoretical analysis leveraging the comparison principle and Green's formula establishes global stability properties of the disease-free and endemic equilibria. Building on these epidemiological insights, we design two forecasting architectures, EGDL-Parallel and EGDL-Series, that integrate the mechanistic outputs of the networked SIR model within deep neural networks. This integration mitigates the overfitting risks commonly encountered in data-driven methods and filters out noise inherent in surveillance data, resulting in reliable forecasts of real-world epidemic trends. Experiments conducted on TB incidence data from 47 prefectures in Japan demonstrate that our approach delivers robust and accurate predictions across multiple time horizons (short to medium-term forecasts). Additionally, incorporating uncertainty quantification through conformal prediction enhances the model's practical utility for guiding targeted public health interventions.
- Abstract(参考訳): 結核(TB)は、複雑な時空間伝達のダイナミクスによって引き起こされ、人口移動や行動の変化などの要因の影響を受けながら、世界的健康上の課題である。
本稿では,機械的疫学の原則を高度な深層学習技術と融合させ,早期警戒システムとTBアウトブレイクに対する介入戦略を強化するためのEGDL(Epidemic-Guided Deep Learning)アプローチを提案する。
我々のフレームワークは、飽和入射率とグラフラプラシア拡散で強化されたネットワーク化された感受性-感染-回復(SIR)モデルに基づいており、長期伝達ダイナミクスと地域固有の人口移動パターンの両方を捉えている。
比較モデルパラメータはマルコフ・チェイン・モンテカルロ(MCMC)法によるベイズ推定を用いて厳密に推定される。
比較原理とグリーンの公式を利用した理論的解析は、病原性および内因性平衡のグローバルな安定性を確立する。
これらの疫学的知見に基づいて、深層ニューラルネットワークにネットワーク化されたSIRモデルの機械的出力を統合する、EGDL-ParallelとEGDL-Seriesという2つの予測アーキテクチャを設計する。
この統合は、データ駆動方式で一般的に発生する過度に適合するリスクを軽減し、監視データに固有のノイズを除去する。
全国47都道府県で実施したTB入射データから,複数の時間的地平線(短・中・短・短・短・短・短)に頑健かつ正確な予測が得られた。
さらに、共形予測による不確実性定量化の導入は、対象の公衆衛生介入を導くためのモデルの実用性を高める。
関連論文リスト
- Towards the efficacy of federated prediction for epidemics on networks [5.719600613434056]
我々は、フェデレートラーニング(FL)に基づく疫病ネットワーク上のノードレベルの予測のための一般的なプライバシレベルフレームワークを開発する。
本研究は,疫病管理におけるFLシナリオの有効性に関する実践的な知見を提供する。
論文 参考訳(メタデータ) (2024-12-03T04:37:28Z) - Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph [14.28921518883576]
持続疾患透過グラフ(EARTH)を用いた疫学対応ニューラル・オードという,革新的なエンドツーエンドフレームワークを提案する。
本稿ではまず,感染メカニズムとニューラルODEアプローチをシームレスに統合するEANOを提案する。
また,グローバルな感染動向をモデル化するためにGLTGを導入し,これらの信号を利用して局所的な感染を動的に誘導する。
論文 参考訳(メタデータ) (2024-09-28T04:07:16Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - 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) - MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for
Epidemic Forecasting [2.0297284948237366]
メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。
本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-06-15T18:12:55Z) - 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) - 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) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Simulation of Covid-19 epidemic evolution: are compartmental models
really predictive? [0.0]
本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。
粒子群最適化(PSO)に基づく機械学習手法を提案する。
予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
論文 参考訳(メタデータ) (2020-04-14T08:42:11Z)
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。