使用基于气候驱动的多变量时间序列的混合波段深度学习模型,预测苏丹的内脏莱什曼病

科学领域:

• 流行病学 流行病学
• 人工智能的人工智能
• 气候科学 气候科学

背景情况:

• 内脏莱什曼病 (VL) 是一种气候敏感的疾病,具有不可预测的模式,特别是在苏丹东部.
• 脊髓炎发病率的季节性变化对有效的疾病控制和公共卫生规划构成挑战.

研究的目的:

• 预测苏丹Gedaref州的每月VL发生率,利用关键气候驱动因素:降水,温度和湿度.
• 开发和评估新的混合人工智能模型,以改进VL传输动态预测.

主要方法:

• 开发了一种混合方法,将波段变换与深度学习模型 (波段-GPR,波段-StemGNN,波段-TCN-BiLSTM) 结合起来.
• 模型以历史数据 (2000-2018) 进行训练,并以最近数据 (2019-2022) 进行测试,与向量自回归 (VAR) 基线进行比较.
• 绩效使用RMSE,MAE,R2和MAPE指标进行评估.

主要成果:

• 波列特-高斯过程回归 (波列特-GPR) 模型显示出优异的预测准确性 (RMSE = 43.93,MAE = 32.85,R2 = 0.93,MAPE = 14.6%).
• 波形GPR实现了最低的预测误差,并提供了精心校准的95%预测间隔.
• 混合人工智能模型显著超过了传统的VAR模型.

结论:

• 基于混合波纹的AI模型可以增强疾病监测和早期预警系统的VL,特别是在资源有限的环境.
• 开发的预测方法可以支持战略规划,包括及时分发诊断和药物.
• 该方法可适应苏丹和东非其他受VL影响的地区,需要重新校准.