論文の概要: Forecasting Antimicrobial Resistance Trends Using Machine Learning on WHO GLASS Surveillance Data: A Retrieval-Augmented Generation Approach for Policy Decision Support

• arxiv url: http://arxiv.org/abs/2602.22673v1
• Date: Thu, 26 Feb 2026 06:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.55945
• Title: Forecasting Antimicrobial Resistance Trends Using Machine Learning on WHO GLASS Surveillance Data: A Retrieval-Augmented Generation Approach for Policy Decision Support
• Title（参考訳）: WHO GLASSサーベイランスデータを用いた機械学習による抗菌抵抗の予測:政策決定支援のための検索・拡張された生成手法
• Authors: Md Tanvir Hasan Turja,
• Abstract要約: 抗微生物抵抗性(AMR)は、2050年までに年間1000万人が死亡すると予想される世界的な危機である。 本稿では,AMRトレンド予測とエビデンスに基づく政策決定支援のための2成分フレームワークを提案する。 XGBoostは7.07%のMAEと0.854のR-squaredで最高性能を達成し、ナイーブベースラインを83.1%上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antimicrobial resistance (AMR) is a growing global crisis projected to cause 10 million deaths per year by 2050. While the WHO Global Antimicrobial Resistance and Use Surveillance System (GLASS) provides standardized surveillance data across 44 countries, few studies have applied machine learning to forecast population-level resistance trends from this data. This paper presents a two-component framework for AMR trend forecasting and evidence-grounded policy decision support. We benchmark six models -- Naive, Linear Regression, Ridge Regression, XGBoost, LightGBM, and LSTM -- on 5,909 WHO GLASS observations across six WHO regions (2021-2023). XGBoost achieved the best performance with a test MAE of 7.07% and R-squared of 0.854, outperforming the naive baseline by 83.1%. Feature importance analysis identified the prior-year resistance rate as the dominant predictor (50.5% importance), while regional MAE ranged from 4.16% (European Region) to 10.14% (South-East Asia Region). We additionally implemented a Retrieval-Augmented Generation (RAG) pipeline combining a ChromaDB vector store of WHO policy documents with a locally deployed Phi-3 Mini language model, producing source-attributed, hallucination-constrained policy answers. Code and data are available at https://github.com/TanvirTurja
• Abstract（参考訳）: 抗微生物抵抗性(AMR)は、2050年までに年間1000万人が死亡すると予想される世界的な危機である。 WHO Global Antimicrobial resistance and Use Surveillance System (GLASS)は44カ国で標準化された監視データを提供しているが、このデータから人口レベルの抵抗傾向を予測するために機械学習を適用した研究はほとんどない。 本稿では,AMRトレンド予測とエビデンスに基づく政策決定支援のための2成分フレームワークを提案する。 Naive、Linear Regression、Rook Regression、XGBoost、LightGBM、LSTMの6つのモデルを、WHOの6つのリージョン(2021-2023)で5,909 WHO GLASS観測でベンチマークしました。 XGBoostは7.07%のMAEと0.854のR-squaredで最高性能を達成し、ナイーブベースラインを83.1%上回った。 特徴的重要性分析では、前年の抵抗率が支配的な予測因子(50.5%)であるのに対し、地域MAEは4.16%(ヨーロッパ地域)から10.14%(東南アジア地域)まで変化している。 WHO政策文書のクロマDBベクターストアとローカルにデプロイされたPhi-3 Mini言語モデルを組み合わせた検索型拡張生成(RAG)パイプラインも実装した。 コードとデータはhttps://github.com/TanvirTurjaで公開されている。

関連論文リスト

• The Global Representativeness Index: A Total Variation Distance Framework for Measuring Demographic Fidelity in Survey Research [0.0]
  調査研究は、AIガバナンスと異文化間政策における高い意思決定をますます通知する。 標準化されたメートル法は、サンプルの人口構成が対象の個体数とどの程度よく一致しているかを定量化するものではない。 本稿では,全変動距離に基づくGRI(Global Representativeness Index)を提案する。
  論文  参考訳（メタデータ） (2026-02-16T15:26:52Z)
• Application and Validation of Geospatial Foundation Model Data for the Prediction of Health Facility Programmatic Outputs -- A Case Study in Malawi [0.7669892939042836]
  Geospatial Foundation Models (GeoFMs) は、多様な空間的、時間的、行動的なデータを合成することで、有望な道を提供する。 本研究は、マラウイにおける15の定期的な健康プログラム出力をモデル化するための3つのGeoFM埋め込み源の予測性能について評価した。
  論文  参考訳（メタデータ） (2025-10-29T20:53:07Z)
• Predicting Antimicrobial Resistance (AMR) in Campylobacter, a Foodborne Pathogen, and Cost Burden Analysis Using Machine Learning [0.7611554147649757]
  抗微生物抵抗性(AMR)は、公衆衛生と経済的課題、治療費の増大、抗生物質の有効性の低下を引き起こす。 本研究は、分子型付けおよび微生物ゲノム多様性のための公共データベースからのゲノムおよび疫学的データを機械学習を用いて解析する。 2001年から2017年にかけてイギリスで採取されたCampylobacter jejuniおよびCampylobacter coliのAMRパターンを同定した。
  論文  参考訳（メタデータ） (2025-09-03T00:56:12Z)
• Beyond Reactive Safety: Risk-Aware LLM Alignment via Long-Horizon Simulation [69.63626052852153]
  本稿では,モデル生成によるアドバイスが社会システムを通じてどのように伝播するかを示す概念実証フレームワークを提案する。 また、100の間接的な害シナリオのデータセットを導入し、害のないユーザプロンプトから有害で非有害な結果を予測するモデルの能力をテストする。
  論文  参考訳（メタデータ） (2025-06-26T02:28:58Z)
• ESGenius: Benchmarking LLMs on Environmental, Social, and Governance (ESG) and Sustainability Knowledge [40.49917730563565]
  ESGeniusは、環境、社会、ガバナンス(ESG)における大規模言語モデル(LLM)の熟練度の評価と向上のための総合的なベンチマークである。 ESGenius-QA (i) ESGenius-QA (i) ESGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-Corpus (i) ESGenius-Corpus (i) ESGenius-Corpusは231の基本的なフレームワーク、標準、レポート、レコメンデーションドキュメントを、7つの権威あるソースから収集した。
  論文  参考訳（メタデータ） (2025-06-02T13:19:09Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil [3.0711362702464675]
  新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。 本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。 開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
  論文  参考訳（メタデータ） (2020-07-21T17:58:58Z)

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。