基于废水的COVID-19流行病学使用动态人工神经网络
Jesús M Zamarreño1, Andrés F Torres-Franco2, José Gonçalves2
1Institute of Sustainable Processes, Dr. Mergelina, s/n, 47011 Valladolid, Spain; Department of System Engineering and Automatic Control, School of Industrial Engineering, Universidad de Valladolid, C/ Dr. Mergelina s/n, 47011 Valladolid, Spain.
The Science of the total environment
|January 26, 2024
概括
一个新的动态人工神经网络 (DANN) 有效地利用废水监测数据和疫苗接种覆盖率预测COVID-19住院. 该工具帮助公共卫生官员进行区域风险管理和及时干预.
科学领域:
- 环境微生物学环境微生物学
- 流行病学 流行病学
- 人工智能的人工智能是人工智能.
背景情况:
- 全球疫苗接种努力已经减少了COVID-19的死亡人数,但SARS-CoV-2的高循环仍然存在,需要先进的监测工具.
- 基于废水的流行病学为公共卫生行政部门提供了一种强大而非侵入性的方法,以评估区域疾病风险.
- 准确预测COVID-19住院情况对于有效的资源配置和公共卫生管理至关重要.
研究的目的:
- 开发和验证一个动态的人工神经网络 (DANN) 模型,用于预测COVID-19住院治疗.
- 将废水监测数据 (SARS-CoV-2 N1基因度) 与疫苗接种覆盖率和历史住院数据相结合.
- 评估模型的预测准确性及其在为区域卫生管理分配风险水平的有用性.
主要方法:
- 使用废水SARS-CoV-2 N1基因度,疫苗接种覆盖率和过去住院数据开发了一个动态人工神经网络 (DANN).
- 该模型包含了输入变量的即时值和历史趋势.
- 两个不同的研究期 (2021年5月至2022年9月和2022年9月至2023年7月) 用于模型培训和验证.
主要成果:
- DANN模型准确地预测了COVID-19住院病例,在第一期内观察到N1基因度和住院病例 (r=0.43,p<0.05) 之间存在强烈的相关性.
- 该模型对1天和5天前的预测做出了准确的预测.
- 尽管住院人数较少,但对第二期重新训练模型的准确性保持不变,风险级别的分配与卫生当局的报告高度一致 (95%和93%).
结论:
- 开发的DANN模型显示了利用废水流行病学在区域范围内预测COVID-19住院治疗的巨大潜力.
- 这种方法为公共卫生当局提供了一种有价值的工具,以支持COVID-19风险管理和决策.
- 基于废水的流行病学与人工智能集成,为持续的公共卫生监测提供了强大的战略.
更多相关视频
09:26Quantification and Whole Genome Characterization of SARS-CoV-2 RNA in Wastewater and Air Samples
Published on: June 30, 2023
1.2K
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
1.0K
