A systematic review of mathematical and machine learning models of Avian Influenza
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
Avian influenza (AI) is a highly transmissible disease with significant implications for public health, agriculture, and global food security. Mathematical, statistical, and machine learning-based models play a crucial role in understanding AI dynamics, predicting outbreaks, and evaluating intervention strategies. This systematic review assesses existing modeling approaches, categorizing studies into mathematical and statistical models, machine learning-based models, and hybrid models, with a focus on their applications in risk assessment, outbreak prediction, dynamic modeling, and parameter estimation. Following the PRISMA guidelines, a comprehensive literature search was conducted in PubMed/MEDLINE, Scopus, Web of Science, and Embase. The search strategy included machine learning-related terms combined with modeling approaches such as compartmental models (e.g., SEIR, SIR), statistical methods, machine learning algorithms (e.g., SVM, Random Forest, XGBoost), and hybrid frameworks. A total of 43 studies met the inclusion criteria: 26 (60.47 %) used mathematical/statistical models, 12 (27.91 %) used machine learning models, and 5 (11.63 %) employed hybrid models. Among mathematical/statistical models, 50 % addressed transmission dynamics, while machine learning models primarily focused on risk assessment (50 %) and outbreak prediction (41.67 %). Hybrid models, though less prevalent, contributed to enhanced prediction accuracy and understanding of transmission. However, validation remains inconsistent, with 25.58 % of mathematical/statistical models lacking explicit validation. Sensitivity analysis and numerical simulations dominate mathematical and statistical model validation, whereas machine learning studies commonly use F1-score, confusion matrices, and external validation datasets. Persistent challenges include limited generalizability of datasets, inconsistency in validation protocols, and high computational costs. This review highlights the need for enhanced data sharing, integration of environmental and real-time information, standardized validation methods, and further development of hybrid approaches to strengthen model reliability and improve the prediction and control of future AI outbreaks.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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