STAN：基于真实世界证据用于大流行预测的时空注意力网络
社会与信息网络
2020-12-08 v2 物理与社会
种群与进化
摘要
目的：COVID-19 大流行带来了诸多亟需关注的挑战。各类流行病学与深度学习模型已被开发用于预测 COVID-19 暴发，但均存在影响预测准确性与鲁棒性的局限。我们的方法旨在解决这些局限，通过（1）使用来自不同县与州、编码了局部疾病状况与医疗资源利用情况的患者电子健康记录（EHR）数据；（2）考虑各地之间的人口统计学相似性与地理邻近性；（3）将大流行传播动力学整合进深度学习模型，从而做出更早且更准确的大流行暴发预测。材料与方法：我们提出了一种用于大流行预测的时空注意力网络（STAN）。它使用基于注意力的图卷积网络来捕捉地理与时间趋势，并预测未来固定天数内的病例数。我们还设计了一个基于物理定律的损失项以增强长期预测。STAN 使用海量的真实世界患者数据以及约翰·霍普金斯大学提供的全美各县开源 COVID-19 统计数据进行了测试。结果：STAN 在长期与短期预测上均优于 SIR、SEIR 等流行病学建模方法以及深度学习模型，与最佳基线预测模型相比均方误差最高降低 87%。结论：通过利用真实世界患者数据与地理数据的信息，STAN 能更好地捕捉疾病状况与医疗资源利用信息，从而提供更准确的大流行建模。借助基于大流行传播定律的正则化，STAN 也取得了良好的长期预测性能。
引用
@article{arxiv.2008.04215,
title = {STAN: Spatio-Temporal Attention Network for Pandemic Prediction Using Real World Evidence},
author = {Junyi Gao and Rakshith Sharma and Cheng Qian and Lucas M. Glass and Jeffrey Spaeder and Justin Romberg and Jimeng Sun and Cao Xiao},
journal= {arXiv preprint arXiv:2008.04215},
year = {2020}
}