图表神经网络模拟网络搜索活动的实时流行病预测
Chen Lin1, Jianghong Zhou1, Jing Zhang1
1Department of Computer Science, Emory University, Atlanta, USA.
Proceedings. IEEE International Conference on Healthcare Informatics
|February 9, 2024
概括
这项研究引入了一种新的自我监督的传递信息的神经网络 (SMPNN),用于使用网络搜索数据进行流行病预测. 通过结合本地和跨位置动态,SMPNN模型提高了预测准确性,优于现有方法.
科学领域:
- 流行病学和公共卫生.
- 计算科学 计算科学
- 数据科学数据科学数据科学
背景情况:
- 网络搜索数据为流行病预测提供了宝贵的见解,但通常是杂的和地理上有限的.
- 现有的模型难以整合邻近地区的数据,并将知识转移到新的位置.
- 当前模型的局限性阻碍了大规模的流行病传播预测和政策决策.
研究的目的:
- 开发一种新的流行病预测框架,解决现有方法的局限性.
- 使用网络搜索活动来建模本地和跨位置动态.
- 提高流行病预测模型的准确性和通用性.
主要方法:
- 提出了一个自我监督的消息传递神经网络 (SMPNN) 框架.
- 利用传递信息的神经网络 (MPNN) 模块通过自我监督学习来学习跨位置依赖.
- 采用图表生成的功能来增强端到端框架内的本地预测.
主要成果:
- 与最先进的统计和深度学习模型相比,SMPNN模型表现优越.
- 在英格兰和美国的COVID-19传播预测准确度提高了6.9%.
- 显示较低的预测错误,特别是在疾病爆发的早期阶段.
结论:
- 该SMPNN框架在疾病监测和流行病预测方面取得了重大进展.
- 这种新的方法有效地将网络搜索数据与空间信息相结合,以改善预测.
- 该方法提供了一个有希望的途径,通过准确的流行病建模来告知公共卫生政策.
相关概念视频
01:18Steps in Outbreak Investigation
128
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
128
01:07End Point Prediction: Gran Plot
324
A Gran plot is used to predict the equivalence volume or endpoint of a potentiometric or acid-base titration without reaching the endpoint. Typically, titration data is collected as a function of the titrant's volume up to a point less than the equivalence volume and then transformed into a linear format. The straight line is extended to the x-axis, indicating the necessary titrant volume to achieve the equivalence point.
For potentiometric titration, the Gran plot is created by plotting...
For potentiometric titration, the Gran plot is created by plotting...
324