用于症状监测的基于相关性的疾病模式发现
机器学习
2021-10-19 v1
摘要
早期暴发检测是控制传染病的关键环节，因为它能够在疾病向更大人群传播之前识别并隔离感染者。症状监测旨在检测具有早期症状的病例，而不是通过监测确诊病例来发现感染的意外增加，从而允许更及时地揭示暴发。然而，定义这些疾病模式通常具有挑战性，因为早期症状通常为多种疾病所共有，且特定疾病在感染早期阶段可表现出多种临床表现。为了支持流行病学家定义可靠的疾病模式，我们提出了一种新颖的、数据驱动的方法，用于在历史数据中发现此类模式。其核心思想是考虑健康相关数据源中的指标与相应地理区域内报告感染人数之间的相关性。在实验评估中，我们使用来自多个急诊科的数据来发现三种传染病的疾病模式。我们的结果表明，所提出的方法能够找到与报告感染相关的模式，并且通常能够识别出与相应疾病相关的指标。
引用
@article{arxiv.2110.09208,
title = {Correlation-based Discovery of Disease Patterns for Syndromic Surveillance},
author = {Michael Rapp and Moritz Kulessa and Eneldo Loza Mencía and Johannes Fürnkranz},
journal= {arXiv preprint arXiv:2110.09208},
year = {2021}
}