Detection of disease outbreaks in pharmaceutical sales: neural networks and threshold algorithms
Notice bibliographique
Résumé
Syndromic surveillance involves monitoring data that could indicate disease trends a population, such as gastrointestinal illness and respiratory illness. Different types of data can be used to detect potential outbreaks of disease or biological contaminant based on deviations from historical norms. The system discussed in this paper is intended to detect aberration by identifying changes in sequence data that do not match the norms for a given time and location. Artificial neural networks (ANNs) were used to detect changes in the sales trends for over-the-counter (OTC) pharmaceuticals. Early detection of an outbreak allows public health officials to respond faster to potential outbreak situations. Our research examines the application of a multilayer perceptron using back-propagation learning and a moving window of the daily OTC sales values as inputs. The network is trained to identify changes in the sales trends which can be an indicator of a change in the population's health. The sales data exhibits a large amount of variability and the ANN must be trained to process this without prematurely signalling that a change has occurred. The network is trained using multiple years (hundred's) of simulated sales data containing simulated outbreaks. The success of the ANN is determined by its accuracy and by the amount of time (number of days into the outbreak) that the system takes to correctly signal that an anomalous trend is occurring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».