亚利桑那州疟蜑热（谷 fever）预测：基于图神经网络的方法
机器学习
2025-07-15 v1
摘要
疟蜑热（Coccidioidomycosis），通常称为谷 fever，仍是美国西南部地区公共卫生的重大关切。本研究构建了首个用于预测亚利桑那州疟蜑热发病率的图神经网络（GNN）模型。该模型将监测病例数据与环境预测变量集成到图结构中，包括土壤条件、大气变量、农业指标和空气质量指标。我们的ethods探索了影响疾病传播的变量之间的相关性。该模型通过滞后效应捕捉疾病进程中的关键延迟，增强了其反映疾病生态复杂时间依赖性的能力。结果表明，GNN 架构有效地建模了疟蜑热趋势，并提供了洞察疾病发病率的关键环境驱动因素。这些发现可为高风险地区的疾病预防工作的早期警报系统和资源分配提供指导。
引用
@article{arxiv.2507.10014,
title = {Forecasting Coccidioidomycosis (Valley Fever) in Arizona: A Graph Neural Network Approach},
author = {Ali Sarabi and Arash Sarabi and Hao Yan and Beckett Sterner and Petar Jevtić},
journal= {arXiv preprint arXiv:2507.10014},
year = {2025}
}