美国物质过量死亡的统计模型与深度学习模型比较
机器学习
2025-12-29 v1
摘要
美国2023年物质过量死亡人数超过8万，新冠疫情通过医疗系统中断和行为变化加剧了既有趋势。估计超出预期死亡人数（即基于疫情前模式的预期死亡人数之外的死亡人数），对于理解疫情影响和制定干预策略至关重要。然而，传统统计方法如 SARIMA 假设线性、平稳和固定季节性，这在结构性干扰下可能不成立。我们系统比较 SARIMA 与三种深度学习（DL）架构（LSTM、Seq2Seq 和 Transformer）用于反事实死亡人数估计，使用来自 CDC 的全国数据（2015-2019 用于训练/验证，2020-2023 用于投影）。我们贡献的实证证据表明，LSTM 在点估计上优于 SARIMA（17.08% MAPE vs. 23.88%），且更好的校准不确定性（68.8% vs. 47.9% 预测区间覆盖率）。我们还展示注意力机制模型（Seq2Seq、Transformer）因对历史均值过拟合而表现不佳，无法捕捉新兴趋势。我们的可重复管道包含共轭预测区间和跨 60+ 次实验的收敛分析，并提供可部署于 15 个州卫生部门的开源框架。我们的发现表明，经过仔细验证的深度学习模型在公共卫生规划中比传统方法提供更可靠的反事实估计，同时强调在高风险领域部署神经网络预测时需要校准技术。
关键词
引用
@article{arxiv.2512.21456,
title = {Statistical vs. Deep Learning Models for Estimating Substance Overdose Excess Mortality in the US},
author = {Sukanya Krishna and Marie-Laure Charpignon and Maimuna Majumder},
journal= {arXiv preprint arXiv:2512.21456},
year = {2025}
}