IJCAIMay, 2021

自我报告的症状能否预测每日 COVID-19 病例？

PDF
TL;DR本研究开发了机器学习模型，利用自我报告的症状估计 COVID-19 的患病率，并通过在线平台采集的众包数据展示了这些模型可以在成本效益高的情况下补充现有的流行病学监测基础设施。
covid-19machine learningsymptomsonline surveysdata collection
发现论文，激发创造
  • 基于症状的机器学习模型用于 COVID-19 的早期检测：文献综述

    通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

    Dec, 2023

  • 利用在线搜索追踪 COVID-19

    本研究使用在线搜索频率的时间序列来洞察多个国家的 COVID-19 盛行情况，并开发了基于联合王国国家卫生服务和公共卫生英格兰公共卫生实验室识别的相关症状类别的无监督建模技术。结果表明，基于在线搜索的模型比由报道的确诊病例和死亡事件组成的做出了更早的预测，并证明了在线搜索数据可以用来开发补充公共卫生监测方法，以帮助应对 COVID-19。

    Mar, 2020

  • 新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

    本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

    Apr, 2020

  • 基于深度学习的多模式 COVID-19 症状检测和概率加权模式

    本文提出了一种多模式方法，通过结合现有的卷积神经网络深度学习分类器和一个新的考虑每种症状流行度的概率加权函数，以预测 COVID-19。实验结果表明，在考虑加权函数时，相比于等权重函数，我们的方法显著提高了 COVID-19 的检测效果。

    Sep, 2021

  • 通过众包数据探讨基于语音和症状的自动 COVID-19 诊断

    本文提出一种基于声音的预筛查工具来检测 COVID-19，并通过对 343 名参与者的 828 个样本的数据进行测试，发现通过结合声音信号和报告症状，可以获得 0.79 的 AUC，0.68 的敏感性和 0.82 的特异性。

    Feb, 2021

  • 使用新病毒变异和疫苗有效性模型进行 COVID-19 预测

    本文利用长期记忆机器学习方法预测 COVID-19 新感染病例日趋势，并探讨疫苗的保护效力、衰减和不同变异体的传染力。结果发现，第二针和第三针疫苗的保护力分别为 0.24 和 0.95，并使用提取出的相关参数复制了日本三个地区的新病例。

    Jan, 2022

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 使用 SIkJ$α$ 模型快速、准确地预测 COVID-19 死亡人数

    本文提出了一种扩展 SIkJα 模型的方法，利用快速线性回归从众多复杂因素中学习少量参数来预测死亡人数以应对 COVID-19 疫情，并将其与 CDC 当前使用的七种方法进行比较，发现我们的方法在大多数评估期内可以达到更好的效果。

    Jul, 2020

  • 利用机器学习对孟加拉国人口进行冠状病毒疾病情况分析和预测研究

    该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

    Jul, 2022