预测性监测和诊断COVID-19:一个整合性的机器学习和废水多学科的方法
Seungdae Oh1, Jonathan Wijaya1
1Department of Civil Engineering, College of Engineering, Kyung Hee University, Yongin, Republic of Korea.
Water research
|November 18, 2025
概括
这项研究将机器学习 (ML) 与废水分析相结合,用于先进的COVID-19监测. 新的框架准确地预测疾病趋势并识别变异,改善公共卫生反应.
科学领域:
- 公共卫生 公共卫生
- 传染病监测 传染病监测 传染病
- 计算生物学 计算生物学
背景情况:
- 传统的COVID-19监测面临着延迟和资源限制.
- 有效的公共卫生响应需要强大的预测和诊断系统.
- 需要创新的方法来监测传染病爆发.
研究的目的:
- 为COVID-19监测和诊断制定一个综合性框架.
- 用机器学习和废水数据预测COVID-19的时间趋势.
- 通过废水分析识别SARS-CoV-2变异并评估人口基因组变异.
主要方法:
- 机器学习模型通过众包关键词,气候和环境数据进行训练.
- 可解释AI (XAI) 识别疾病趋势的关键预测关键词.
- 基于废水的元转录组学和元基因组学用于病毒变体和基因组变异分析.
主要成果:
- 与基线模型相比,集成的ML模型在预测COVID-19病例的三年内表现出卓越的准确性.
- 六个关键词,包括"长期COVID-19"和"COVID-19自动套件",被确定为疾病趋势的强有力的预测因素.
- 废水转录基因学成功识别了COVID-19病毒变体,补充了临床数据.
结论:
- 拟议的综合性框架为传染病监测和诊断提供了一种快速,具有成本效益的方法.
- 这种方法通过提供及时和准确的疫情洞察力来增强现有的公共卫生系统.
- 基于废水的分析为监测病毒演变和人口健康提供了有价值的,非侵入性的工具.


