使用外源数据进行长期区域流感类疾病预测.

科学领域:

• 流行病学 流行病学
• 计算生物学 计算生物学
• 公共卫生 公共卫生

背景情况:

• 准确预测呼吸道疾病,特别是流感类疾病 (ILI),对于公共卫生决策至关重要.
• 虽然短期ILI预测是有效的,但长期预测仍然具有挑战性.
• 机器学习的近期进展表明,在利用各种数据源进行疾病预测方面具有前景.

研究的目的:

• 开发一种新的深度学习模型,用于准确的区域长期ILI预测.
• 通过整合各种外部数据源来增强ILI预测.
• 改进现有的最先进的ILI预测方法.

主要方法:

• 提出了区域流感类疾病预测 (ReILIF) 方法,一种深度神经网络架构.
• 综合气象和人口数据作为外部变量.
• 采用中间融合机制,将不同的数据流结合起来.

主要成果:

• 与当前最先进的方法相比,ReILIF方法在长期ILI预测方面表现优越.
• 外源数据的整合显著提高了预测准确性.
• 实验研究证实了使用标准评估指标的拟议方法的有效性.

结论:

• 该ReILIF方法为区域长期ILI预测提供了一个有希望的进步.
• 通过高效的融合机制利用多种数据源是改善疾病预测的关键.
• 这种方法有可能提高公共卫生准备和应对流感和类似呼吸道疾病的应对策略.