Next-generation public health surveillance: extreme heat event prediction and monitoring system
Notice bibliographique
Résumé
Abstract Background Extreme Heat Events (EHEs) are a growing threat to public health. The increase in the frequency of occurrence of once rarer EHEs and the rise in their average temperatures are dangerously drastic for public health outcomes. Despite this, existing public health surveillance (PHS) systems fail to leverage IoT and AI technologies to facilitate real-time, continuous monitoring of EHE indicators and its associated health risks. This study closes this gap by proposing a comprehensive PHS system that can, in real-time monitor and predict EHE indicators to provide timely alerts to public health authorities. Methods The EHE PHS system collects EHE detection metrics, including indoor temperature and humidity levels, from IoT sensors and thermostats to map them across Canada, primarily focusing on low-income communities. The system also integrates historical climate data (surface temperature, humidity, wind speed and direction, and air quality indicators) from Environment Canada. The system uses the data to train initial prediction models including CNN, LSTM and GNN. The validated model will be integrated into the system, enabling real-time EHE prediction. The output will be displayed in user-friendly visualizations on the EHE PHS system’s dashboard capabilities. Results The system allows for the analysis of real-time data through dashboards and provides alerts when certain indicators (e.g. excessive or prolonged heat) detrimental to public health outcomes are detected. The alerts enable valuable lead time for public health authorities to implement proactive measures, such as issuing heat advisories and deploying resources to vulnerable areas. Conclusions The EHE PHS system will serve as a blueprint for global public health researchers, utilizing IoT and AI technologies for proactive crisis prevention. This knowledge will inform the development of heat-resilient policies and set a precedent for global public health crisis prevention. Key messages • The proposed EHE PHS system uses AI and IoT technologies, to enhance EHE prediction, risk identification, and real-time monitoring for effective public health interventions. • By integrating advanced predictive models and environmental data, the system facilitates early detection of EHE risk, which can significantly mitigate the health impact on vulnerable populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».