論文の概要: Statistical vs. Deep Learning Models for Estimating Substance Overdose Excess Mortality in the US
- arxiv url: http://arxiv.org/abs/2512.21456v1
- Date: Thu, 25 Dec 2025 00:49:59 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-29 12:07:15.177779
- Title: Statistical vs. Deep Learning Models for Estimating Substance Overdose Excess Mortality in the US
- Title（参考訳）: 米国における過剰摂取死亡率推定のための統計的・深層学習モデル
- Authors: Sukanya Krishna, Marie-Laure Charpignon, Maimuna Majumder,
- Abstract要約: パンデミック前のパターンに基づいて、予想以上の死亡率で定義された過剰死亡を推定することは、パンデミックの影響を理解し、介入戦略を伝えるのに不可欠である。
本稿では,3つのディープラーニングアーキテクチャ (LSTM, Seq2Seq, Transformer) に対するSARIMAの系統的比較を行った。
以上の結果から, 慎重に検証したDLモデルは, 従来の公衆衛生計画手法よりも信頼性の高い反事実推定が可能であることが判明した。
- 参考スコア（独自算出の注目度）: 0.951591069547877
- License:
- Abstract: Substance overdose mortality in the United States claimed over 80,000 lives in 2023, with the COVID-19 pandemic exacerbating existing trends through healthcare disruptions and behavioral changes. Estimating excess mortality, defined as deaths beyond expected levels based on pre-pandemic patterns, is essential for understanding pandemic impacts and informing intervention strategies. However, traditional statistical methods like SARIMA assume linearity, stationarity, and fixed seasonality, which may not hold under structural disruptions. We present a systematic comparison of SARIMA against three deep learning (DL) architectures (LSTM, Seq2Seq, and Transformer) for counterfactual mortality estimation using national CDC data (2015-2019 for training/validation, 2020-2023 for projection). We contribute empirical evidence that LSTM achieves superior point estimation (17.08% MAPE vs. 23.88% for SARIMA) and better-calibrated uncertainty (68.8% vs. 47.9% prediction interval coverage) when projecting under regime change. We also demonstrate that attention-based models (Seq2Seq, Transformer) underperform due to overfitting to historical means rather than capturing emergent trends. Ourreproducible pipeline incorporates conformal prediction intervals and convergence analysis across 60+ trials per configuration, and we provide an open-source framework deployable with 15 state health departments. Our findings establish that carefully validated DL models can provide more reliable counterfactual estimates than traditional methods for public health planning, while highlighting the need for calibration techniques when deploying neural forecasting in high-stakes domains.
- Abstract（参考訳）: 2023年には8万人以上が死亡し、新型コロナウイルス(COVID-19)のパンデミックにより、医療の混乱や行動の変化による既存の傾向が悪化した。
パンデミック前のパターンに基づいて、予想以上の死亡率で定義された過剰死亡を推定することは、パンデミックの影響を理解し、介入戦略を伝えるのに不可欠である。
しかし、SARIMAのような伝統的な統計手法は、線形性、定常性、季節性の固定を前提としており、構造的な破壊を受けない可能性がある。
本研究では,全国CDCデータ(2015-2019,2020-2023,投影法)を用いて,3つのディープラーニングアーキテクチャ(LSTM,Seq2Seq,Transformer)に対するSARIMAの系統的比較を行った。
我々は,LSTMが良好な点推定(17.08% MAPE vs. 23.88%,SARIMA では 23.88%)と良好な校正の不確実性(68.8% 対 47.9% 予測間隔カバレッジ)を達成するという実証的証拠を提出する。
また、注意に基づくモデル(Seq2Seq、Transformer)は、急激なトレンドを捉えるのではなく、歴史的手段に過度に適合しているため、性能が低いことを示す。
Ourreproducible Pipelineは、コンフォーメーション予測間隔とコンバージェンス解析を1構成あたり60以上のトライアルに組み込み、15の州保健省でデプロイ可能なオープンソースフレームワークを提供する。
以上の結果から,従来の公衆衛生計画手法よりも信頼性の高いDLモデルの有効性が示唆され,高い領域に神経予測を配置する際の校正手法の必要性が指摘された。
関連論文リスト
- A Comparative Analysis of Traditional and Deep Learning Time Series Architectures for Influenza A Infectious Disease Forecasting [0.0]
A型インフルエンザは年間290,000人から650,000人の呼吸器死亡の原因となっている。
本研究では,インフルエンザAの流行を予測するために,従来の学習モデルと深層学習モデルの比較分析を行った。
論文 参考訳（メタデータ） (2025-07-18T03:20:29Z) - 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) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Interpreting Forecasted Vital Signs Using N-BEATS in Sepsis Patients [0.5541644538483947]
本研究は,集中治療室(ICU)における敗血症患者の3時間の生命予後を予測できる,解釈可能な深層学習予測モデルであるN-BEATSについて検討する。
我々はN-BEATSの解釈可能な構成を用いて、バイタルサインの傾向を予測し、それらを実際の傾向と比較し、患者の変化状況と、輸液剤がバイタルサインに与える影響をよりよく理解する。
その結果, 実際の傾向と予測傾向が一致した場合の死亡率(92%)は, 類似しない時期に比べて高かった。
論文 参考訳（メタデータ） (2023-06-24T16:23:54Z) - 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) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳（メタデータ） (2020-07-22T13:18:00Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。