机器学习可以提高人们对狂犬病流行病学在低监控环境中的理解

科学领域:

• 兽医流行病学 兽医流行病学
• 动物传染病监测监测动物传染病.
• 机器学习在公共卫生中的应用.

背景情况:

• 低收入和中等收入国家的狂犬病调查往往缺乏确的诊断.
• 流行病学解释严重依赖临床数据,限制了准确性.
• 综合咬伤病例管理 (IBCM) 计划需要改进诊断支持.

研究的目的:

• 为了比较狂犬病概率估计的极端梯度增强 (XGB) 和物流回归 (LR).
• 为动物狂犬病病例制定风险分层框架.
• 通过在资源有限的环境中使用机器学习来增强动物传染病监测.

主要方法:

• 采用XGB和LR模型来预测研究动物的狂犬病概率.
• 利用随机过量抽样 (ROS) 和合成少数过量抽样技术进行数据平衡.
• 开发了一个基于预测狂犬病概率的风险分层框架.

主要成果:

• 与LR相比,XGB在预测狂犬病病例方面表现优越.
• 过量采样技术显著提高了对动物狂犬病等罕见事件的模型灵敏度.
• XGB-ROS有效地分类了高风险病例 (85.2%确诊的狂犬病) 和中等风险病例 (8.4%确诊的狂犬病).
• 基于模型的风险分层比常规IBCM增加了3.2倍的流行病学有用数据.

结论:

• 机器学习,特别是过量采样的XGB,为准确的狂犬病预测提供了强大的解决方案.
• 这种方法加强了在资源有限的环境中对动物传播疾病的监测.
• 使用ML进行风险分层增强了动物研究数据的有用性.