Regional and temporal patterns of influenza: Application of functional data analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The accurate estimation of temporal patterns of influenza may help in utilizing hospital resources and guiding influenza surveillance. This paper proposes functional data analysis (FDA) to improve the prediction of temporal patterns of influenza. METHODS: We illustrate FDA methods using the weekly Influenza-like Illness (ILI) activity level data from the U.S. We propose to use the Fourier basis function for transforming discrete weekly data to the smoothed functional ILI activities. Functional analysis of variance (FANOVA) is used to examine the regional differences in temporal patterns and the impact of state's political orientation. RESULTS: The ILI activity has a very distinct peak at the beginning and end of the year. There are significant differences in average level of ILI activities among geographic regions. However, the temporal patterns in terms of the peak and flat time are quite consistent across regions. The geographic and temporal patterns of ILI activities also depend on the political make-up of states. The states affiliated with Republicans had higher ILI activities than those affiliated with Democrats across the whole year. The influence of political party affiliation on temporal pattern is quite different among geographic regions. CONCLUSIONS: Functional data analysis can help us to reveal the temporal variability in average ILI levels, rate of change in ILI levels, and the effect of geographical regions. Consideration should be given to wider application of FDA to generate more accurate estimates in public health and biomedical research.
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.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle