論文の概要: Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting

• arxiv url: http://arxiv.org/abs/2506.05752v1
• Date: Fri, 06 Jun 2025 05:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.328661
• Title: Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting
• Title（参考訳）: 空間的インフォームドCOVID-19入院予測のためのLSTMの時空間的特徴の統合
• Authors: Zhongying Wang, Thoai D. Ngo, Hamidreza Zoraghein, Benjamin Lucas, Morteza Karimzadeh,
• Abstract要約: 本研究は、米国における毎日の国家レベルのインシデント入院を予測するための、新しいLong Short-Term Memory(LSTM)フレームワークを提案する。 我々は,Facebookのソーシャル・コネクテッドネス・インデックス(Social Connectedness Index)から派生した,入院に対する社会的親和性(Social Proximity to Hospitalizations,SPH)という特徴を,予測を改善するために提示する。 われわれのモデルは、Omicronの急増中、州別27ドル、42ドル、54ドル、69ドルをそれぞれ24ドル、21ドル、28ドルと、それぞれ上回っている。
• 参考スコア（独自算出の注目度）: 1.0905169282633254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic's severe impact highlighted the need for accurate, timely hospitalization forecasting to support effective healthcare planning. However, most forecasting models struggled, especially during variant surges, when they were needed most. This study introduces a novel Long Short-Term Memory (LSTM) framework for forecasting daily state-level incident hospitalizations in the United States. We present a spatiotemporal feature, Social Proximity to Hospitalizations (SPH), derived from Facebook's Social Connectedness Index to improve forecasts. SPH serves as a proxy for interstate population interaction, capturing transmission dynamics across space and time. Our parallel LSTM architecture captures both short- and long-term temporal dependencies, and our multi-horizon ensembling strategy balances consistency and forecasting error. Evaluation against COVID-19 Forecast Hub ensemble models during the Delta and Omicron surges reveals superiority of our model. On average, our model surpasses the ensemble by 27, 42, 54, and 69 hospitalizations per state on the $7^{th}$, $14^{th}$, $21^{st}$, and $28^{th}$ forecast days, respectively, during the Omicron surge. Data-ablation experiments confirm SPH's predictive power, highlighting its effectiveness in enhancing forecasting models. This research not only advances hospitalization forecasting but also underscores the significance of spatiotemporal features, such as SPH, in refining predictive performance in modeling the complex dynamics of infectious disease spread.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大は、効果的な医療計画を支援するために、正確な、タイムリーな入院予測の必要性を浮き彫りにした。 しかし、ほとんどの予測モデルは、特に最も必要であった時、特に変動するサージで苦労した。 本研究は、米国における毎日の国家レベルのインシデント入院を予測するための、新しいLong Short-Term Memory(LSTM)フレームワークを提案する。 本研究では,Facebookのソーシャル・コネクテッドネス・インデクス(Social Connectedness Index)をベースとした時空間的特徴であるSPH(Social Proximity to Hospitalizations)を,予測の改善のために提示する。 SPHは、状態間相互作用のプロキシとして機能し、空間と時間にわたる伝達ダイナミクスをキャプチャする。 並列LSTMアーキテクチャは短期的および長期的両方の時間的依存関係をキャプチャし、マルチホライゾン・アンサンブル戦略は一貫性と予測誤差のバランスをとる。 DeltaおよびOmicronのサージにおける新型コロナウイルス予測ハブアンサンブルモデルに対する評価は、我々のモデルの優位性を明らかにする。 われわれのモデルは、Omicronの急増中、平均27ドル、42ドル、54ドル、69ドル、24ドル、21ドル、28ドルをそれぞれ上回ります。 データアブレーション実験は、SPHの予測能力を確認し、予測モデルの強化の有効性を強調している。 本研究は, 入院予測の進展だけでなく, SPHなどの時空間的特徴が, 伝染病の複雑な動態をモデル化する上での予測性能の解明に重要であることを裏付けるものである。

関連論文リスト

• Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study [0.0]
  本研究では,感染症の時系列予測を推し進める新たな深層学習フレームワークを提案する。 本フレームワークは6大陸24カ国の新型コロナウイルス19症例データに適用した。
  論文  参考訳（メタデータ） (2025-03-17T04:41:26Z)
• 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)
• Analyzing the Variations in Emergency Department Boarding and Testing the Transferability of Forecasting Models across COVID-19 Pandemic Waves in Hong Kong: Hybrid CNN-LSTM approach to quantifying building-level socioecological risk [0.2985164765599213]
  救急部門(ED)の搭乗は、患者の予後不良と健康システムのパフォーマンスに関連付けられている。 しかし、新型コロナウイルス(COVID-19)に先立って効果的な予測モデルは稀であり、近日中には欠落している。 ここでは、香港の病院局、保健省、住宅局から得られたパブリックドメインデータに対して、ハイブリッド畳み込みニューラルネットワーク(CNN)-Long短期記憶(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2024-03-17T11:48:40Z)
• 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)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
  本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。 われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
  論文  参考訳（メタデータ） (2021-09-24T17:40:08Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)

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。