基于机器学习的预测建模,用于绘制巴西东南部人类运动三症风险区域的地图

科学领域:

• 兽医真菌学 兽医真菌学
• 流行病学 流行病学
• 地理信息系统 地理信息系统

背景情况:

• 运动性三病是一种动物性真菌感染,对公共卫生的重要性越来越大.
• 有效地绘制风险区域的地图对于控制运动三症传播至关重要.

研究的目的:

• 应用机器学习技术来绘制巴西Minas Gerais州Contagem的运动三症风险.
• 为了比较人工神经网络 (ANN) 和决策树 (DT) 在预测运动三症发生方面的性能.
• 确定导致胞三症风险的关键因素.

主要方法:

• 整合社会人口统计,流行病学,环境和城市数据.
• 人工神经网络 (ANN) 和决策树 (DT) 机器学习模型的应用.
• 空间分析以验证模型预测与实际的人类病例相比.

主要成果:

• 两种ANN和DT模型都表现出对运动三症风险的高预测准确度.
• 决策树 (DT) 显示出卓越的一致性,并确定了包括公园,公共空间和猫科动物感染在内的重大风险因素.
• 在阶级歧视方面,ANN表现出色,而DT则提供了更低的错误率和更好的一致性.

结论:

• 机器学习技术,特别是决策树,是优化运动三症监测和控制的有效工具.
• 识别关键的风险因素有助于更好地了解运动三病的流行病学.
• 这些方法为开发有针对性和有效的公共卫生干预提供了强大的工具.