相关实验视频
Updated: Jun 9, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.0K
开发和验证一个潜在的风险区域识别模型手足口病在中国大都会地区的发展和验证
Xu Guang1, Yifei He1, Zhigao Chen2
1School of Public Health and Emergency Management, Southern University of Science and Technology, Shenzhen, China.
Journal of environmental management
|October 29, 2024
概括
一个新的OPGD-IV-MaxEnt模型通过优化空间尺度和整合因子信息来改进传染病风险映射. 这种方法提高了识别手足口病 (HFMD) 等疾病高风险区域的准确性.
科学领域:
- 环境科学与公共卫生
- 机器学习在流行病学中的应用.
- 传染病的空间分析.
背景情况:
- 最大 (MaxEnt) 是一种常见的机器学习工具,用于识别疾病风险区域.
- 马克森特的准确性通常受到非最佳空间网格尺度和因素组合的限制.
- 对于疾病发生至关重要的内部因子信息在MaxEnt模型中未得到充分利用.
研究的目的:
- 提出和评估基于最佳参数的地理探测器-信息值-MaxEnt (OPGD-IV-MaxEnt) 模型.
- 提高识别手足口病 (HFMD) 潜在风险区域的准确性.
- 为了比较OPGD-IV-MaxEnt与传统的MaxEnt和OPGD-MaxEnt的性能.
主要方法:
- 使用基于最佳参数的地理探测器 (OPGD) 确定最佳空间网格规模和因素组合.
- 使用信息价值 (IV) 量化并纳入内部因素级信息.
- 应用了集成的OPGD-IV-MaxEnt模型来绘制深的HFMD风险.
主要成果:
- 对MaxEnt的最佳空间尺度被确定为750m (AUC=0.796).
- OPGD-IV-MaxEnt获得了最高的准确性 (AUC=0.868),超过了MaxEnt (AUC=0.796) 和OPGD-MaxEnt (AUC=0.827). 通过OPGD-IV,OPGD-IV-MaxEnt获得了最高的准确性 (AUC=0.868),超过了MaxEnt (AUC=0.796) 和OPGD-MaxEnt (AUC=0.827).
- 居民和市场分布是影响HFMD风险地区的主要因素,主要在深西北部,西南部和中部.
结论:
- OPGD-IV-MaxEnt模型显著提高了识别潜在传染病风险区域的准确性.
- 优化空间尺度和整合因素内部信息对于增强MaxEnt的预测能力至关重要.
- 结果为有针对性的公共卫生干预提供了基础,并为类似机器学习模型的改进提供了信息.
