使用feed forward神经网络和真实数据对B型肝炎的随机模型进行数值计算

科学领域:

• 流行病学 流行病学
• 计算生物学 计算生物学
• 数学建模的数学建模

背景情况:

• 乙型肝炎病毒 (HBV) 构成了全球重大健康挑战,其复杂的传播动态受环境因素,宿主-病原体相互作用和疫苗接种的影响. 准确地建模HBV传播对于有效的控制策略至关重要.
• 现有的模型往往难以捕捉疾病传播的固有不确定性和异质性,需要先进的分析框架.

研究的目的:

• 为分析乙型肝炎病毒传播动态,开发和验证一个新的混合框架,集成随机微分方程和前神经网络 (FFNNs).
• 准确地捕捉与HBV在异质环境中的传播相关的复杂性和不确定性.
• 通过使用真实乙型肝炎病例数据来评估模型的性能.

主要方法:

• 制订HBV传播的随机模型,包括和发病率和理论分析,以确定好处,灭绝和持久性.
• 在真实乙型肝炎病例数据上训练的前神经网络 (FFNN) 的开发,以接近随机模型的动态.
• 混合框架将随机模拟和FFNN预测结合起来,用于对HBV传播进行增强分析.

主要成果:

• 随机模型为疾病动态提供了理论上的保证,包括灭绝和持续的条件.
• 当FFNN对真实乙型肝炎病例数据进行训练时,FFNN有效地接近随机模型的复杂动态.
• 混合框架显示了随机模拟和神经网络预测之间的强烈一致,通过低的平均平方误差 (MSE) 和绝对误差 (AE) 进行验证.

结论:

• 拟议的混合框架为分析乙型肝炎病毒传播动态提供了强有力的和有效的方法,考虑到固有的不确定性.
• 随机建模和神经网络的这种新组合为理解和预测复杂流行病情景中疾病传播提供了强大的工具.
• 经过验证的框架显示了改善旨在控制和减轻全球乙型肝炎影响的公共卫生战略的希望.