流行病学中的机器学习:神经网络预测麻疹病例
1Department of Mathematics, University of Hafr Al-Batin, Hafr Al-Batin, Saudi Arabia.
PloS one
|May 1, 2024
概括
先进的机器学习模型准确地预测了水疫情的爆发. 人工神经网络 (ANN) 显示出预测传染病传播和加强公共卫生战略的巨大潜力.
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:
- 最近的水疫情需要先进的预测工具.
- 传统的流行病学模型可能无法捕捉复杂的传播动态.
- 机器学习为疾病监测提供了新的方法.
研究的目的:
- 评估人工神经网络 (ANN),长期短期记忆 (LSTM) 和门式循环单元 (GRU) 模型,用于预测麻疹疫情.
- 为了比较这些机器学习模型在加拿大,西班牙,美国和葡萄牙的预测性能.
- 为有效的传染病预测确定最佳模型配置.
主要方法:
- 使用ANNs,LSTM和GRU模型进行预测.
- 从6月3日到2022年12月31日,对麻疹病例数据进行训练模型.
- 根据2023年1月1日至2月7日的测试数据评估模型性能.
- 使用Levenberg-Marquardt算法进行模型训练优化.
主要成果:
- ANN模型在预测麻疹疫情方面表现出高效率.
- 优化的模型实现了有利的根平均平方误差 (RMSE),平均绝对百分比误差 (MAPE) 和确定系数 (R2) 值.
- 对比分析强调了某些ANN配置的优越预测能力.
结论:
- 机器学习,特别是ANN,在传染病预测方面显示出重大前景.
- 优化的ANN模型可以大大改善公共卫生对疫情的反应.
- 这项研究为神经网络在流行病学中的应用提供了宝贵的见解.
