Utilizing Socio-Economic Indicators and Artificial Neural Networks to Predict COVID-19 Spread in Canadian Health Regions
Notice bibliographique
Résumé
This study explores how well Artificial Neural Networks (ANNs) can predict the spread of COVID-19 across Canadian health regions, focusing on the impact of socio-economic factors. By examining a wide range of demographic, economic, and social indicators, we identify which factors play the biggest role in accurately forecasting the pandemic’s spread. The trained ANN model underscores the critical role of urbanization, population density, and social behaviors in densely populated regions, such as Toronto and Montreal, where transmission rates were higher. Conversely, remote regions like the Keewatin Yatthé and Labrador-Grenfell Health Authorities saw lower transmission due to geographic isolation and community-based controls. Additionally, the study highlights disparities in healthcare infrastructure, especially in ICU bed availability, which were more pronounced in urban areas. Vaccination rates were also identified as key in controlling the spread, with proactive public health efforts leading to higher rates in regions like the Northwest Territories. Our findings show that these socio-economic factors vary in importance from one region to another, offering valuable insights for public health planning. These findings provide practical advice for improving how resources are allocated and how public health strategies are developed, emphasizing the need to consider socio-economic differences in pandemic forecasting. This approach aims to help policymakers and health officials respond more effectively to current and future public health challenges.
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 | 0,008 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».