PSOA-LSTM: un modelo LSTM híbrido basado en la atención optimizado por la optimización de enjambres de partículas...

Área de la Ciencia:

• Epidemiología computacional
• Ciencia de los datos biomédicos
• Aprendizaje automático en salud pública

Sus antecedentes:

• La previsión precisa de la incidencia del cáncer de pulmón es esencial para las estrategias de prevención eficaces, la asignación de recursos médicos y la formulación de políticas basadas en la evidencia.
• La predicción oportuna y precisa de las tendencias del cáncer apoya las iniciativas de salud pública y la gestión de los recursos.

Objetivo del estudio:

• Introducir un nuevo marco de aprendizaje profundo, Particle Swarm Optimization-Long Short-Term Memory (PSOA-LSTM), para mejorar la predicción de la incidencia del cáncer de pulmón.
• Mejorar la precisión de la predicción de la incidencia del cáncer de pulmón mediante la integración de la optimización de enjambres de partículas (PSO) con una red de memoria a corto plazo basada en la atención (LSTM).

Principales métodos:

• Utilizó el conjunto de datos Global Burden of Disease 2019 (GBD 2019) para predecir las tendencias de incidencia de cáncer de pulmón por edad y género en los próximos 5 años.
• Comparó el modelo PSOA-LSTM propuesto con los métodos de pronóstico tradicionales, incluidos ARIMA, LSTM estándar, Regresión de vectores de soporte (SVR) y Bosque aleatorio (RF).

Principales resultados:

• El modelo PSOA-LSTM demostró un rendimiento superior con un coeficiente de determinación (R2) de 0,97 y un error medio porcentual absoluto (MAPE) de 0,38%.
• Las métricas de error bajo alcanzadas: error cuadrado medio (MSE) = 0,023, error absoluto medio (MAE) = 0,152 y error cuadrado medio de raíz normalizada (NRMSE) = 0,025.
• Las visualizaciones confirmaron la capacidad del modelo para capturar tendencias temporales y reducir los errores de predicción en 12 grupos de edad y ambos géneros, lo que indica una mayor generalización y robustez.

Conclusiones:

• El modelo PSOA-LSTM supera significativamente a los modelos de referencia en la predicción de la incidencia del cáncer de pulmón en diversos segmentos demográficos.
• Este modelo avanzado sirve como una herramienta fiable de apoyo a la toma de decisiones para la vigilancia de la salud pública, los sistemas de alerta temprana y la formulación de políticas de salud.