一种基于新型图形神经网络的方法,用于流感性疾病的预测:探索时间,地理和功能空间特征的相互作用
Jiajia Luo1, Xuan Wang1, Xiaomao Fan2
1School of Public Health (Shenzhen), Sun Yat-sen University, Shenzhen, 518107, Guangdong, China.
BMC public health
|February 1, 2025
概括
这项研究引入了一个图形神经网络 (GNN) 模型,用于准确预测流感疫情. 这种新的方法有效地捕捉了跨区域的联系,改善了对公共卫生的实时流感趋势检测.
科学领域:
- 计算流行病学计算流行病学
- 机器学习用于公共卫生
- 时间空间建模.
背景情况:
- 准确的流感监测对于公共卫生干预至关重要.
- 现有的方法在流感预测中难以实现跨区域连接.
- 实时和精确的流感预测仍然是一个重大挑战.
研究的目的:
- 开发基于图形神经网络 (GNN) 的方法,用于准确及时预测流感疫情.
- 解决在流感预测中捕捉跨区域影响的局限性.
- 为了提高流感流行率的实时监测.
主要方法:
- 提出了一种包含双重拓处理 (地理和社会经济) 的 GNN 方法.
- 使用的每周类似流感的疾病 (ILI) 率,地理和功能拓数据.
- 采用1D门式因果卷积用于时间特征和图形卷积用于空间嵌入,增强时空分析.
主要成果:
- 获得了与皮尔森相关性 (Corr) = 0.8202,RMSE = 0.0017,MAE = 0.0013,MAPE = 0.0966.2 的竞争性表现.
- 在所有评估指标中表现优于既定基准.
- 在捕捉短期流感疫情方面表现出卓越的准确性和及时性.
结论:
- 双重拓处理和融合机制有效地捕捉了时空相互作用.
- 该GNN模型显示了早期检测流感趋势的巨大潜力.
- 这种方法可以促进更好的公共卫生决策和资源优化.
