基于图形神经网络的模型,用于改善呼吸道同胞细胞病毒感染的短期预测

科学领域:

• 流行病学 流行病学
• 传染病建模传染病模型
• 机器学习用于公共卫生

背景情况:

• 呼吸道同胞性病毒 (RSV) 构成了全球严重的健康负担,尤其对婴儿来说,导致下呼吸道感染和住院治疗.
• 对RSV的有效控制和预防策略在很大程度上依赖于准确和及时预测感染动态.
• 时空预测方法提供了一个有希望的方法,可以提高在不同地理区域传染病爆发的预测准确度.

研究的目的:

• 应用和完善时空图卷积网络 (ST-GCN) 模型,用于预测日本RSV的时空传播模式.
• 评估基于ST-GCN的模型的性能与传统的预测方法和缺乏空间考虑的模型相比.
• 为了研究将一个时间关门的LSTM层集成到ST-GCN模型中的影响,以改善时间依赖性捕获.

主要方法:

• 利用时空图卷积网络 (ST-GCN),这是一种深度学习模型,擅长提取复杂的空间和时间模式.
• 将ST-GCN模型的预测性能与基线方法进行比较,包括线性回归,ARIMA,LSTM和基于变压器的模型.
• 使用R平方 (R2) 值评估模型性能,以量化日本RSV传输动态的预测精度.

主要成果:

• 基于ST-GCN的模型表现出卓越的性能,超出非空间基线模型的11-39% (R2).
• 整合一个时间关门的LSTM层进一步提高了ST-GCN的性能,通过改善RSV传输中长期时间依赖的捕获.
• 精细的ST-GCN模型在预测RSV感染的时空动态方面被证明是有效的.

结论:

• 时空预测技术,特别是ST-GCN,对准确及及时预测RSV传播具有重大前景.
• 基于图形神经网络的模型可以提供可靠的短期预测,有助于优化RSV预防和治疗策略,如预防药物管理.
• 这些先进的建模方法可以通过改善公共卫生干预措施来减轻RSV疾病的全球负担.