预测帕金森病的患病率和发病率,使用 Fractal Interpolation-LSTM 模型

科学领域:

• 神经系统疾病流行病学
• 在健康科学中的计算建模.

背景情况:

• 准确预测帕金森病 (PD) 发生率和流行率仍然具有挑战性.
• 了解疾病人口动态对于公共卫生资源分配至关重要.

研究的目的:

• 开发和评估一种用于预测帕金森病 (PD) 事件和流行病例和病率的方法.
• 将长短期记忆 (LSTM) 模型的性能与自回归集成移动平均 (ARIMA) 模型进行 PD 预测.

主要方法:

• 利用带有不同分数维度的分数互插来重建历史PD数据 (1990-2019).
• 采用长期短期记忆 (LSTM) 网络来预测PD指标 (事件/流行病例数量,发生率/流行率).
• 将LSTM预测与自回归集成移动平均 (ARIMA) 模型进行比较,使用根平均平方误差和R2进行评估.

主要成果:

• 该研究成功地使用碎形插值重建了过去的帕金森病数据.
• LSTM模型显示出强大的PD发病率和流行度指标预测能力.
• 根据最佳标准确定的三个基于LSTM的预测的平均值产生了最好的预测结果.

结论:

• 拟议的方法,集成碎形插值和LSTM,为帕金森病人口预测提供了强大的方法.
• 准确预测PD发生率和流行率是可以实现的,对于流行病学研究和医疗保健管理至关重要.
• 这些发现支持在神经疾病监测中使用先进的机器学习技术.