探究多模态数据在预测 SARS-COV-2 病例激增中的有效性
定量方法
2025-06-02 v2 机器学习
机器学习
摘要
COVID-19 大流行的应对在很大程度上依赖于统计和机器学习模型来预测病例流行率和病死率等关键结果。这些预测有助于及时采取公共卫生干预措施，从而打破传播链。虽然大多数现有模型建立在传统流行病学数据之上，但来自基因组信息和人类行为等替代数据集的潜力仍未被充分探索。在本研究中，我们调查了不同模态的特征集在预测病例激增中的有效性。我们的结果突出了生物学（例如突变）、公共卫生（例如病例数、政策干预）和人类行为特征（例如流动性和社交媒体对话）在预测国家级病例激增中的相对有效性。重要的是，我们揭示了不同国家和特征模态之间预测性能的显著异质性，这表明激增预测模型可能需要针对特定国家背景和大流行阶段进行定制。总体而言，我们的工作强调了将替代数据源整合到现有疾病监测框架中以增强大流行动态预测的价值。
关键词
引用
@article{arxiv.2505.22688,
title = {Investigating the effectiveness of multimodal data in forecasting SARS-COV-2 case surges},
author = {Palur Venkata Raghuvamsi and Siyuan Brandon Loh and Prasanta Bhattacharya and Joses Ho and Raphael Lee Tze Chuen and Alvin X. Han and Sebastian Maurer-Stroh},
journal= {arXiv preprint arXiv:2505.22688},
year = {2025}
}