論文の概要: Beyond Single-Pathogen Forecasts: Predicting Shared Respiratory Hospital Burden from Influenza, COVID-19, and RSV
- arxiv url: http://arxiv.org/abs/2610.16074v1
- Date: Mon, 12 Oct 2026 02:28:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.292074
- Title: Beyond Single-Pathogen Forecasts: Predicting Shared Respiratory Hospital Burden from Influenza, COVID-19, and RSV
- Title（参考訳）: 単一病原性予測を超えて:インフルエンザ、COVID-19、RSVによる共有呼吸器病院のビルデンの予測
- Abstract要約: 共循環型インフルエンザ、COVID-19、呼吸性同調ウイルス(RSV)は、病院と入院の重荷を共有させる。
本研究は,週1～4週間の指導体制を整備した。
個別に発生した病原体特異的な予測を要約し、組み合わせた入院ターゲットを直接予測する2つの総合バーデン戦略を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Co-circulating influenza, COVID-19, and respiratory syncytial virus (RSV) create a shared hospital-admission burden, because beds, staff, testing capacity, and respiratory support are allocated to total demand rather than to one pathogen at a time. This makes respiratory forecasting a target-construction problem as well as a modeling problem: disease-specific forecasts preserve attribution, whereas hospitals also need a single planning signal for combined burden. We developed a supervised 1- to 4-week-ahead framework for weekly admissions and compared two total-burden strategies: summing independently generated pathogen-specific forecasts and forecasting the combined admission target directly. Evaluation included retrospective held-out testing and prospective operational forecasts issued before the corresponding admission weeks were observed, with performance summarized using MAE and Percent Agreement (PA; the smaller of model-generated and observed counts divided by the larger). In retrospective total-burden evaluation, the combined-burden model had PA values of 0.85, 0.78, 0.74, and 0.76 and MAE values of 80.63, 200.09, 183.97, and 156.13 from week 1 to week 4 ahead, compared with summed-forecast PA values of 0.85, 0.80, 0.69, and 0.69 and MAE values of 100.14, 200.06, 205.65, and 217.57. Prospectively, the combined-burden model had higher PA and lower MAE at all four horizons, with the largest separations at weeks 3 and 4 ahead. These results support layered respiratory forecasting: pathogen-specific forecasts remain necessary for etiologic interpretation, while combined-burden forecasts better align with hospital preparedness and shared-capacity planning.
- Abstract（参考訳）: 共循環型インフルエンザ、COVID-19、呼吸同期ウイルス(RSV)は、ベッド、スタッフ、検査能力、呼吸支援が1度に1つの病原体ではなく、総需要に割り当てられるため、病院と入院の重荷を分けている。
疾患特異的な予測は帰属を保ち、病院は複合的な負担のために単一の計画信号も必要である。
本研究は, 週1～4週間の入院支援体制を整備し, 個別に発生した病原体特異的な予測と, 組み合わせた入院目標を直接予測する2つの総合バーデン戦略を比較検討した。
評価対象は, 受験週前に実施したレトロスペクティブの実施試験と, 受験週前に実施予定の運用予測, MAEとパーセンテージ・アグリーメント(PA, モデル生成, 観察回数の小さい, 大きく分けた値)を用いて, 成果を要約した。
振り返り総合バーデン評価では、複合バーデンモデルは週1から週4までのPA値が0.85, 0.78, 0.74, 0.76, PA値が80.63, 200.09, 183.97, 156.13, PA値が0.85, 0.80, 0.69, 0.69, MAE値が100.14, 200.06, 205.65, 217.57であった。
有望な結果として, 複合バーデンモデルでは, 4つの地平線でPA値とMAE値が上昇し, 3週と4週の離間率が最も高かった。
これらの結果は,病原体特異的な予測は根治的解釈に必要であり,複合バーデン予測は病院の準備と共有容量計画とよく一致している。
関連論文リスト
- PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。
欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
論文 参考訳（メタデータ） (2026-08-24T23:33:35Z) - Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。
評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。
本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。
ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
論文 参考訳（メタデータ） (2026-06-14T22:08:31Z) - Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting [1.0905169282633254]
本研究は、米国における毎日の国家レベルの入院を予測するための、並列ストリーム長短期記憶(LSTM)フレームワークを提案する。
当社のフレームワークには,Meta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)という特徴が組み込まれている。
我々のアーキテクチャは、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・ストラテジーは一貫性とエラーのバランスをとる。
論文 参考訳（メタデータ） (2025-06-06T05:22:11Z) - 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) - 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) - OpenKBP-Opt: An international and reproducible evaluation of 76
knowledge-based planning pipelines [48.547200649819615]
放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。
当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
論文 参考訳（メタデータ） (2022-02-16T19:18:42Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - 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) - Forecasting Brazilian and American COVID-19 cases based on artificial
intelligence coupled with climatic exogenous variables [3.0711362702464675]
世界保健機関(WHO)によると、新型コロナウイルス(COVID-19)は2020年6月10日までの公衆衛生上の問題である。
現在のシナリオでは、ブラジルと米国は毎日、新しいケースや死亡の頻度が高い。
新型コロナウイルス(COVID-19)対策の戦略的計画を立てる上では、今後1週間の時間枠で新規感染者数を予測することが重要である。
論文 参考訳（メタデータ） (2020-07-21T17:58:11Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。