机器学习在预测严重急性呼吸道感染爆发中的作用
Amauri Duarte da Silva1, Marcelo Ferreira da Costa Gomes2, Tatiana Schäffer Gregianini3
1Universidade Federal de Ciências da Saúde de Porto Alegre, Porto Alegre, Brasil.
Cadernos de saude publica
|January 10, 2024
概括
机器学习模型准确地预测严重急性呼吸道感染 (SARI) 爆发,包括高峰时间和病例数量. 这些工具有助于为SARI季节规划医疗保健资源.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 严重急性呼吸道感染 (SARI) 爆发是一个反复出现的公共卫生问题,具有可变的季节性峰值.
- 有效的医疗保健资源规划对于管理SARI季节和患者住院需求至关重要.
研究的目的:
- 开发和验证用于预测巴西SARI爆发的机器学习模型.
- 为卫生管理人员提供预测SARI峰值发病率,病例数量和流行前时期的工具.
主要方法:
- 使用了巴西 (2013-2020) 的SARI住院数据,不包括COVID-19病例.
- 采用神经网络与时间序列管道来生成巴西五个地区的预测模型.
- 与历史SARI爆发数据相对应的验证模型.
主要成果:
- 神经网络模型准确地预测了SARI峰值,季节性病例数量以及疫情前时期的出现.
- 在2019赛季的巴西东南地区实现了高的每周发病率相关性 (R2 = 0.97).
- 对病例数量表现出强大的预测准确性,预测中位数为9,405例,而2019年在巴西南部观察到的9,936例.
结论:
- 机器学习,特别是神经网络和时间序列算法,可以有效地预测SARI爆发.
- 预测模型为优化SARI季节的医疗保健资源配置提供了宝贵的见解.


