Forecasting of hospitalizations for COVID-19: A hybrid intelligence approach for Disease X research
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 COVID-19 pandemic underscores the necessity for proactive measures against emerging diseases, epitomized by WHO's “ Disease X.” Among the myriad of indicators tracking COVID-19 progression, the count of hospitalized patients assumes a pivotal role. This metric facilitates timely responses from government agencies, enabling proactive allocation and management of medical resources. Objective In this study, we introduce a novel hybrid intelligent approach, the EMD&LSTM-ARIMA model. Method: This model integrates three techniques: Empirical Mode Decomposition (EMD) to decompose the data into intrinsic mode functions, Long Short-Term Memory (LSTM) neural network for capturing long-term dependencies and nonlinear relationships, and the Auto-Regressive Integrated Moving Average (ARIMA) model for handling linear trends and time series forecasting. We verify its high predictive power and utility through training and forecasting COVID-19 hospitalizations in the UK, Canada, Italy, and Japan. Results Our analysis reveals that all forecasted error rates remain below 10%, with Mean Absolute Percentage Error (MAPE) values obtained for these four countries as 2.30%, 3.33%, 1.63%, and 2.89%, respectively. Conclusion Our proposed EMD&LSTM-ARIMA model demonstrates robust forecasting performance, particularly for COVID-19 hospitalization data.
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 | 0,002 | 0,012 |
| 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 | 0,001 | 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