論文の概要: EpiGuard: An Autonomous Infectious-Disease Early Warning Agent Platform

• arxiv url: http://arxiv.org/abs/2610.19396v1
• Date: Wed, 14 Oct 2026 01:46:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.888852
• Title: EpiGuard: An Autonomous Infectious-Disease Early Warning Agent Platform
• Title（参考訳）: EpiGuard: 自律感染型早期警戒用プラットフォーム
• Abstract要約: EpiGuardは、さまざまな地域で50以上の感染症の早期警戒をタイムリーかつ確実に行うためのエージェントプラットフォームである。 リスクアセスメントに関する最新の証拠を使用して、新たにリリースされた公式な監視記録を積極的に監視し、捕獲する。 有効なデータ取得手順と分析手順を再利用可能な標準動作手順として保持することにより、実行プロセスの成功から学習する。
• 参考スコア（独自算出の注目度）: 31.38297108212311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infectious disease outbreaks often spread rapidly before signs of widespread transmission become apparent, leaving a big challenge for rapid response and effective intervention. However, current infectious-disease early-warning systems face three major challenges: fragmented epidemiological evidence across diverse surveillance sources, highly uneven data availability across diseases and geographic regions, and delayed warning procedure caused by manual data collection, analysis, and reporting. To address these challenges, we present EpiGuard, an autonomous, continually self-improving agentic platform for timely and reliable early warning of more than 50 infectious diseases across different regions. EpiGuard proactively monitors and captures newly released official surveillance records, using the latest available evidence for risk assessments. It dynamically adjusts its analytical strategy across three evidence availability regimes, enabling reliable risk assessment under diverse data conditions, ranging from the absence of historical observations to sparse and abundant evidence. Moreover, EpiGuard learns from the successful execution process by preserving effective data-acquisition and analytical procedures as reusable standard operating procedures, enabling it to progressively generalize to previously unseen diseases and regions. We use officially released infectious-disease surveillance data from the China CDC and the United States CDC to evaluate EpiGuard's effectiveness. Experimental results demonstrate that EpiGuard outperforms state-of-the-art forecasting systems, improving forecasting performance by 9.68% and 14.04% on the China CDC and U.S. CDC datasets, respectively.
• Abstract（参考訳）: 伝染病の流行は、感染の兆候が明らかになる前に急速に広まり、迅速な対応と効果的な介入の大きな課題を残している。 しかし、現在の感染症の早期警戒システムは、多様な監視ソースにまたがる断片化された疫学的証拠、病気や地域間での非常に不均一なデータ可用性、手動によるデータ収集、分析、報告による遅延警告手順の3つの大きな課題に直面している。 これらの課題に対処するために、EpiGuardという自律的で継続的な自己改善型エージェントプラットフォームを紹介します。 EpiGuardは、リスクアセスメントに関する最新の証拠を使用して、新しくリリースされた公式な監視記録を積極的に監視し、捕獲する。 分析戦略を3つのエビデンス・アベイラビリティー・レシスタンスで動的に調整し、様々なデータ条件下で信頼性の高いリスクアセスメントを可能にする。 さらに、EpiGuardは、有効なデータ取得と分析手順を再利用可能な標準操作手順として保持することにより、実行プロセスの成功から学習し、これまで見られなかった病気や領域に徐々に一般化することができる。 我々は、EpiGuardの有効性を評価するために、中国CDCと米国CDCから公式にリリースされた伝染病監視データを使用します。 実験の結果、EpiGuardは最先端の予測システムより優れており、中国CDCとアメリカCDCのデータセットの予測性能は9.68%、14.04%向上している。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Modeling the Impact of Exposed Cases in a Hantavirus Outbreak on a Cruise Ship [4.986274167989817]
  商業クルーズ船に搭載されたハンタウイルスの出現は、公衆衛生上の重大な懸念を浮き彫りにしている。 本研究では,送信ダイナミクスを推定する離散時間変動型Susceptible-Exposed-Infectious-Recovered-Deadモデルを開発した。
  論文  参考訳（メタデータ） (2026-05-08T09:36:55Z)
• Deep learning framework for predicting stochastic take-off and die-out of early spreading [3.3147247892604708]
  大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T08:18:47Z)
• Infectious Disease Forecasting in India using LLM's and Deep Learning [0.3141085922386211]
  本稿では,感染症発生の重症度を予測するためのディープラーニングアルゴリズムとLCMを実装した。 私たちの研究から得た知見は、将来のアウトブレイクに対する堅牢な予測システムの構築を支援することを目的としています。
  論文  参考訳（メタデータ） (2024-10-26T12:54:09Z)
• Flusion: Integrating multiple data sources for accurate influenza predictions [0.24999074238880484]
  アメリカ疾病予防管理センター(CDC)は毎年インフルエンザの予測課題を組織している。 我々のモデルであるFlusionは、量子レグレッションモデルとベイズ自己回帰モデルを組み合わせたアンサンブルである。 フラクションは、2023/24シーズンにおけるCDCのインフルエンザ予測における最高パフォーマンスモデルであった。
  論文  参考訳（メタデータ） (2024-07-26T19:24:02Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Revisiting Non-Specific Syndromic Surveillance [0.0]
  シンドロミック監視は、できるだけ早く発生を検知できるアルゴリズムを開発することを目的としている。 近年の研究は主に、特定の既知の疾患の監視に焦点を当てている。 今までのところ、我々が「非特異的なシナドロミック監視」と呼ぶものにはほとんど注力していない。
  論文  参考訳（メタデータ） (2021-01-28T19:33:30Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)

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。