論文の概要: Prediction of Respiratory Syncytial Virus-Associated Hospitalizations Using Machine Learning Models Based on Environmental Data
- arxiv url: http://arxiv.org/abs/2512.13712v1
- Date: Sat, 06 Dec 2025 19:10:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-21 14:22:08.766859
- Title: Prediction of Respiratory Syncytial Virus-Associated Hospitalizations Using Machine Learning Models Based on Environmental Data
- Title（参考訳）: 環境データに基づく機械学習モデルを用いた呼吸性シンサイトールウイルス関連入院の予測
- Authors: Eric Guo,
- Abstract要約: 呼吸性交感神経性ウイルス(RSV)は、小児の入院の主要な原因である。
本研究では,米国におけるRSV関連入院を予測するための機械学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Respiratory syncytial virus (RSV) is a leading cause of hospitalization among young children, with outbreaks strongly influenced by environmental conditions. This study developed a machine learning framework to predict RSV-associated hospitalizations in the United States (U.S.) by integrating wastewater surveillance, meteorological, and air quality data. The dataset combined weekly hospitalization rates, wastewater RSV levels, daily meteorological measurements, and air pollutant concentrations. Classification models, including CART, Random Forest, and Boosting, were trained to predict weekly RSV-associated hospitalization rates classified as \textit{Low risk}, \textit{Alert}, and \textit{Epidemic} levels. The wastewater RSV level was identified as the strongest predictor, followed by meteorological and air quality variables such as temperature, ozone levels, and specific humidity. Notably, the analysis also revealed significantly higher RSV-associated hospitalization rates among Native Americans and Alaska Natives. Further research is needed to better understand the drivers of RSV disparity in these communities to improve prevention strategies. Furthermore, states at high altitudes, characterized by lower surface pressure, showed consistently higher RSV-associated hospitalization rates. These findings highlight the value of combining environmental and community surveillance data to forecast RSV outbreaks, enabling more timely public health interventions and resource allocation. In order to provide accessibility and practical use of the models, we have developed an interactive R Shiny dashboard (https://f6yxlu-eric-guo.shinyapps.io/rsv_app/), which allows users to explore RSV-associated hospitalization risk levels across different states, visualize the impact of key predictors, and interactively generate RSV outbreak forecasts.
- Abstract（参考訳）: 呼吸性交感神経性ウイルス(RSV)は、環境条件の影響を強く受け、幼児の入院の主要な原因である。
本研究では, 排水監視, 気象, 大気質データを統合することにより, アメリカ合衆国におけるRSV関連入院の予測を行う機械学習フレームワークを開発した。
このデータセットには、毎週の入院率、排水RSVレベル、毎日の気象測定、大気汚染物質濃度が組み合わされた。
CART、Random Forest、Boostingなどの分類モデルは、毎週のRSV関連入院率を予測するために訓練され、 \textit{Low risk}、 \textit{Alert}、 \textit{Epidemic}レベルに分類された。
RSV濃度は, 温度, オゾン濃度, 比湿度などの気象・大気質の変動が続き, 最強の予測因子として同定された。
また、この分析により、アメリカ先住民とアラスカ先住民のRSV関連入院率も著しく上昇した。
これらの地域社会におけるRSV格差の要因をより深く理解し、予防戦略を改善するためには、さらなる研究が必要である。
さらに, 表面圧が低い高地では, RSV関連入院率が高い傾向がみられた。
これらの知見は、RSVの発生を予測するために環境とコミュニティの監視データを組み合わせることの価値を強調し、よりタイムリーな公衆衛生介入と資源配分を可能にした。
モデルのアクセシビリティと実用性を提供するため,インタラクティブなR Shinyダッシュボード(https://f6ylu-eric-guo.shinyapps.io/rsv_app/)を開発した。
関連論文リスト
- Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文 参考訳（メタデータ） (2025-10-28T01:18:00Z) - A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting [0.0]
ForecastNet-XCLは、RSVのリアルタイム監視にアクセスすることなく、気候や時間データに基づいて、100週間前の正確なRSV予測を生成する。
ForecastNet-XCLは、統計ベースライン、個々のニューラルネット、および従来のアンサンブル手法を、内部およびクロスステートのシナリオで確実に上回った。
論文 参考訳（メタデータ） (2025-10-22T14:04:42Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - 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) - A Conditional Flow Variational Autoencoder for Controllable Synthesis of
Virtual Populations of Anatomy [76.20367415712867]
本稿では,正規化フローを用いた条件付き変分オートエンコーダ(cVAE)を提案する。
2360例の心左心室データを用いた条件流VAEの性能について検討した。
論文 参考訳（メタデータ） (2023-06-26T13:23:52Z) - DeCom: Deep Coupled-Factorization Machine for Post COVID-19 Respiratory
Syncytial Virus Prediction with Nonpharmaceutical Interventions Awareness [15.31523014144133]
呼吸性交感神経性ウイルス(RSV)は、幼児や幼児にとって最も危険な呼吸器疾患の1つである。
新型コロナウイルスの感染拡大に伴う非薬剤的介入(NPI)により、RSVの季節的な感染パターンは2020年に廃止され、2021年に北半球で数ヶ月前に移行した。
新型コロナウイルス(COVID-19)がRSVにどのように影響するかを理解し、RSVの再合併のタイミングと強度を予測する予測アルゴリズムを構築することが重要である。
論文 参考訳（メタデータ） (2023-05-02T20:23:09Z) - Hospital transfer risk prediction for COVID-19 patients from a
medicalized hotel based on Diffusion GraphSAGE [7.021489981474361]
台湾では、軽度または軽度症状のある新型コロナウイルス患者の隔離施設として医療ホテルが開設された。
これらのホテルで利用可能な医療が限られているため、臨床劣化のリスクがある患者を特定することが最重要である。
本研究は, 医用ホテルにおける進行病院転院リスク予測のためのグラフベース深層学習手法の開発と評価を目的とした。
論文 参考訳（メタデータ） (2022-12-31T14:59:35Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - 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) - A Multi-Modal Respiratory Disease Exacerbation Prediction Technique
Based on a Spatio-Temporal Machine Learning Architecture [0.0]
慢性閉塞性肺疾患や喘息などの慢性呼吸器疾患は深刻な健康危機である。
呼吸器症状の進行を評価する現在の方法は、主観的で不正確な、または複雑で面倒です。
本研究は、新しい時間的機械学習アーキテクチャに基づいて、PDなどの呼吸器疾患の悪化リスクを予測するためのマルチモーダルソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T05:24:53Z)
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。