論文の概要: Combining digital data streams and epidemic networks for real time outbreak detection

• arxiv url: http://arxiv.org/abs/2511.07163v1
• Date: Mon, 10 Nov 2025 14:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.310066
• Title: Combining digital data streams and epidemic networks for real time outbreak detection
• Title（参考訳）: リアルタイム流行検出のためのデジタルデータストリームと流行ネットワークの組み合わせ
• Authors: Ruiqi Lyu, Alistair Turcan, Bryan Wilder,
• Abstract要約: 我々は、リアルタイムでアウトブレイクを識別する機械学習フレームワークであるLRTrendを紹介する。 LRTrendは、単一のリージョン内の多様な健康および行動データストリームを効果的に集約する。 病気固有の疫病ネットワークを学習し、地域間で情報を収集する。
• 参考スコア（独自算出の注目度）: 14.31847187460321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Responding to disease outbreaks requires close surveillance of their trajectories, but outbreak detection is hindered by the high noise in epidemic time series. Aggregating information across data sources has shown great denoising ability in other fields, but remains underexplored in epidemiology. Here, we present LRTrend, an interpretable machine learning framework to identify outbreaks in real time. LRTrend effectively aggregates diverse health and behavioral data streams within one region and learns disease-specific epidemic networks to aggregate information across regions. We reveal diverse epidemic clusters and connections across the United States that are not well explained by commonly used human mobility networks and may be informative for future public health coordination. We apply LRTrend to 2 years of COVID-19 data in 305 hospital referral regions and frequently detect regional Delta and Omicron waves within 2 weeks of the outbreak's start, when case counts are a small fraction of the wave's resulting peak.
• Abstract（参考訳）: 感染症の発生に応答するには、その軌道を綿密に監視する必要があるが、流行検出は流行時間帯の高騒音によって妨げられる。 データソースにまたがる情報の集約は、他の分野では大きな認知能力を示してきたが、疫学では未発見のままである。 本稿では、リアルタイムでアウトブレイクを特定するための解釈可能な機械学習フレームワークであるLRTrendを紹介する。 LRTrendは、地域内の多様な健康データや行動データストリームを効果的に集約し、病気固有の疫病ネットワークを学び、情報を収集する。 我々は、一般的な人体移動ネットワークでは説明がつかず、将来の公衆衛生調整に有用な、米国中の多様な流行のクラスターと接続を明らかにする。 LRTrendを305の病院紹介領域で2年間の新型コロナウイルスデータに適用し,発生から2週間以内に局所デルタ波とオミクロン波を頻繁に検出する。

関連論文リスト

• Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
  最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。 HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。 HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
  論文  参考訳（メタデータ） (2024-11-26T12:29:45Z)
• 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 [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-10T11:43:51Z)
• Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
  ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。 実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。 モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-02T06:31:17Z)
• Epidemic outbreak prediction using machine learning models [0.0]
  本稿では, アメリカ合衆国ニューヨーク州における流行の流行(インフルエンザ, 肝炎, マラリア)を, 機械学習とディープラーニングのアルゴリズムを用いて予測する。 このアルゴリズムは、過去のデータを使って5週間のケース数を予測します。 グーグル検索トレンド、社会メディアデータ、気象データなどの非臨床要因も、アウトブレイクの確率を予測するために使われてきた。
  論文  参考訳（メタデータ） (2023-10-30T17:28:44Z)
• Digital Surveillance Networks of 2014 Ebola Epidemics and Lessons for COVID-19 [0.0]
  2014年のエボラ出血熱は、COVOID-19の教訓を提供することができる。 ローカルな位置情報の送信の遅延と切断がますます進んでいる。
  論文  参考訳（メタデータ） (2022-06-18T16:06:29Z)
• Impact of initial outbreak locations on transmission risk of infectious diseases in an intra-urban area [4.738791349182193]
  感染性疾患は通常、市内の特定の場所に由来する。 人口と公共施設の異種性分布のため、感染症は異なる場所で発生し、感染リスクとコントロールの難しさが異なる。 本研究は,感染リスクに対する初期発生地の影響を調査し,高発生リスク地の背後にある駆動力を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2022-03-23T08:21:32Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
  重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。 私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。 調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
  論文  参考訳（メタデータ） (2020-07-22T18:02:39Z)
• 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。