预测基于深度学习的载体传播疾病的风险评估,使用混合方法
Ashok Kumar Nanda1, R Thilagavathy2, G S K Gayatri Devi3
1Department of Computer Science and Engineering, B V Raju Institute of Technology, Narsapur, India.
概括
这项研究引入了一种使用辐射基函数网络和达尔特游戏优化器的新方法,以准确预测载体传播疾病风险. RBFN-DGO模型在预测疾病爆发方面表现出卓越的准确性和稳定性.
科学领域:
- 公共卫生 公共卫生
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 登革热在马来西亚越来越令人担忧,在过去十年里,病例几乎翻了一番.
- 由于缺乏有效的抗病毒治疗方法,载体控制是对抗登革热的首要策略.
- 载体传播疾病构成一个显著且日益增加的风险,导致人类大量疾病.
研究的目的:
- 提出一种用于预测载体传播疾病风险的新方法.
- 使用机器学习和优化算法来提高预测准确度.
- 改进控制载体传播疾病的公共卫生战略.
主要方法:
- 利用辐射基函数网络 (RBFNs) 进行疾病风险预测.
- 使用达尔特游戏优化器 (DGO) 算法来增强RBFN参数.
- 训练模型使用历史疾病数据,气候变量和地理信息.
主要成果:
- 与标准方法相比,RBFN-DGO模型显示出更高的预测准确性.
- DGO算法有效地优化了RBFN参数,以提高预测精度.
- 广泛的测试证实了拟议的RBFN-DGO方法的稳定性.
结论:
- RBFN-DGO模型为预测载体传播疾病风险提供了一个有希望的工具.
- 这项研究提升了公共卫生领域的疾病控制预测能力.
- 这些发现突出了优化机器学习模型在管理公共卫生威胁方面的潜力.
