Short-Term Forecasting of Respiratory Virus Transmission and Severe Disease Risk Among Pediatric and Adult Populations for Public Health Planning in Ontario
Notice bibliographique
Résumé
Background: Influenza A presents a major public health issue in Ontario, affecting the population with regular seasonal outbreaks that lead to health and economic burdens. This study uses a collection of historical data on Influenza A cases which dates back to 2015. Objectives: Utilizing a data-driven approach, this study aims to enhance short-term forecasting of Influenza A cases. By predicting the number of cases over a 14-day horizon, we intend to provide actionable insights for public health officials to implement timely and effective interventions. The model seeks to differentiate impacts on pediatric and adult populations, thereby optimizing resource allocation and intervention strategies tailored to demographic-specific needs. Methods: Utilizing the R package tscount, tailored to count time series data, we modeled the number of Influenza A cases. This package supports generalized linear models, which are pivotal for predicting time-dependent phenomena and allow for the inclusion of past values and covariates into the models. The analysis was segmented by age group to refine predictions. Results: The model accurately forecasted 14-days of Influenza A cases for both pediatric and adult populations. Predictive performance was assessed using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), which upheld the model's efficacy in short-term forecasting within acceptable error thresholds. Conclusions: The developed forecasting model proves effective for short-term predictions, providing insights into outbreak trends and severity. These predictions are crucial for optimizing resource distribution, informing public health advisories, and enhancing community preparedness.
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 | 0,002 | 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 | 0,000 | 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 ».