アフリカにおける機械学習モデルを用いたCOVID-19症例の階層的予測

科学分野:

• 疫学;公衆衛生;データサイエンス

背景:

• COVID-19パンデミックは、アフリカにおいて重大な公衆衛生上の課題をもたらしました。;データの不足とインフラの不備は、効果的な予測と対応を妨げました。;従来の予測方法は、階層データの複雑性に対処するのに苦労しました。

研究 の 目的:

• アフリカの階層構造（大陸、地域、国）に対応する正確で一貫性のあるCOVID-19症例予測モデルを開発すること。;機械学習アルゴリズムと階層的時系列予測（HTSF）を統合すること。

主な方法:

• 勾配ブースティング（XGBoost）およびランダムフォレストモデルを用いたボトムアップ階層時系列予測（HTSF）アプローチを採用しました。;予測精度を向上させるために加重平均アンサンブル法を利用しました。;階層的一貫性を確保するために、国レベルの予測を集計し、ARIMAおよび指数平滑法と比較しました。

主要な成果:

• XGBoostモデル、特にランダムフォレストと加重アンサンブルで組み合わせた場合、精度（MAE、RMSE、MASE）において従来のモデルを上回りました。;南部アフリカは、人口密度が低いにもかかわらず高い症例負担を示しており、根本的な健康および社会経済的要因を示唆しています。;機械学習を用いたボトムアップ階層時系列予測（HTSF）は、データが限られた環境での予測に効果的であることが証明されました。

結論:

• 機械学習を用いた開発されたHTSFモデルは、データが不足している地域における感染症予測に効果的です。;本研究の結果は、他の疾患にも同様のモデルを適用し、将来の公衆衛生介入および早期警報システムを導くことを示唆しています。