Spatio-Temporal Clustering of Multi-Location Time Series to Model Seasonal Influenza Spread
Notice bibliographique
Résumé
Although seasonal influenza disease spread is a spatio-temporal phenomenon, public surveillance systems aggregate data only spatially, and are rarely predictive. We develop a hierarchical clustering-based machine learning tool to anticipate flu spread patterns based on historical spatio-temporal flu activity, where we use historical influenza-related emergency department records as a proxy for flu prevalence. This analysis replaces conventional geographical hospital clustering with clusters based on both spatial and temporal distance between hospital flu peaks to generate a network illustrating whether flu spreads between pairs of clusters (direction) and how long that spread takes (magnitude). To overcome data sparsity, we take a model-free approach, treating hospital clusters as a fully-connected network, where arcs indicate flu transmission. We perform predictive analysis on the clusters' time series of flu ED visits to determine direction and magnitude of flu travel. Detection of recurrent spatio-temporal patterns may help policymakers and hospitals better prepare for outbreaks. We apply this tool to Ontario, Canada using a five-year historical dataset of daily flu-related ED visits, and find that in addition to expected flu spread between major cities/airport regions, we were able to illuminate previously unsuspected patterns of flu spread between non-major cities, providing new insights for public health officials. We showed that while a spatial clustering outperforms a temporal clustering in terms of the direction of the spread (81% spatial v. 71% temporal), the opposite is true in terms of the magnitude of the time lag (20% spatial v. 70% temporal).
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 | 0,001 | 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 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 ».