在基于公共卫生领域的深度学习的数字灾害响应中检测异常和早期风险识别

科学领域:

• 公共卫生信息学 公共卫生信息学
• 人工智能在灾害管理中的应用
• 数字流行病学数字流行病学

背景情况:

• 传统的异常检测方法与来自不同来源的动态实时灾害数据作斗争.
• 不有效的数据分析导致危机期间的风险识别延迟和不理想的公共卫生决策.
• 灾害的复杂性越来越大,需要适应性系统来有效应对公共卫生.

研究的目的:

• 提出一个深度学习框架,用于在数字灾害响应中检测异常和早期识别风险.
• 改善公共卫生紧急情况的实时决策和情境意识.
• 为全面的危机监测利用异构的数据流.

主要方法:

• 开发了一个深度学习框架,集成长期短期内存 (LSTM) 和变压器架构.
• 利用各种数据来源,包括医院,紧急服务,社交媒体和环境传感器.
• 将模型应用于时空数据分析以检测异常.

主要成果:

• 在异常检测精度方面实现了23%的改进.
• 与基线模型相比,虚假报警减少了31%.
• 在多个灾害数据集 (EM-DAT,FEMA,UNOSAT,地震) 中证明了高准确性和可解释性.

结论:

• 拟议的深度学习框架显著提高了在公共卫生灾害应对中异常检测和早期风险识别.
• 该模型能够分析复杂的时空数据,为实时危机管理提供了强大的解决方案.
• 这种方法为公共卫生专家提供了准确的,可解释的见解,以改善紧急情况下的决策.