利用机器学习预测2017-2018年也门霍乱疫情
计算机与社会
2019-02-20 v1 机器学习
定量方法
摘要
正在发生的也门霍乱疫情被认为是历史上最严重的霍乱疫情之一，影响超过一百万人，数千人死亡。该疫情由内战引发，并受到各种政治、环境和流行病学因素的影响，且持续恶化。尽管霍乱有几种有效疗法，但现有药物分配不及时且低效是霍乱死亡的主要原因。为助力资源调配，人们已建立多种数学模型来追踪也门疫情并识别面临风险的行政区（称为省）。现有模型不够强大，无法在多时间尺度上准确且稳定地逐省预测霍乱病例数。为满足对复杂、可靠模型的需求，我们提出霍乱人工智能学习模型（CALM）；这是一个由4个极端梯度提升（XGBoost）机器学习模型组成的系统，可预测一个也门省份在2周至2个月时间范围内将出现的新增霍乱病例数。CALM提供了一种新颖的机器学习方法，利用降雨数据、既往霍乱病例与死亡数据、内战死亡人数，以及跨多个时间尺度表示的省际相互作用。此外，机器学习与广泛的特征工程相结合，使CALM能够轻松学习流行病学现象中明显的复杂非线性关系。在真实世界模拟中，CALM能够提前2周至2个月预测霍乱发病率，误差范围仅为每1万人中5例霍乱。
引用
@article{arxiv.1902.06739,
title = {Forecasting the 2017-2018 Yemen Cholera Outbreak with Machine Learning},
author = {Rohil Badkundri and Victor Valbuena and Srikusmanjali Pinnamareddy and Brittney Cantrell and Janet Standeven},
journal= {arXiv preprint arXiv:1902.06739},
year = {2019}
}
备注
Originally completed as part of the iGEM competition (see http://2018.igem.org/Team:Lambert_GA/Software); 3431 words, 1 table, 2 manuscript figures, 2 supplementary figures