Seasonality of Influenza: An Investigation Using Time Series, Spectral Analysis & Epidemiological Models
Notice bibliographique
Résumé
Influenza is an infectious disease. Its seasonality is commonly modeled focusing on the yearly cycle. The log transform of pneumonia and influenza mortality data from the United States from 1910 to 2015 showed an approximate 30 year recurring pattern. The data were analyzed in the time domain and then in the frequency domain using the multitaper spectrum estimation method. Significant frequencies were identified using the F-test and confirmed by the presence of distinct square peaks in the spectrum plot. This monthly sampled data identified long-term trends at 136 year, 14 year, 11 year and 7.5 year periods as well as high frequencies of 2, 3, 4 and 5 c/y. These intriguing results led to the analysis of influenza incidence data from the United States, United Kingdom, Australia and Japan. Simulated data was generated from a susceptible-infected epidemiological model with the contact rate of influenza transmission set to a one-year period. It was also modified to include multiple periodic terms that were identified as significant in the collected datasets. After comparing the spectral results of the collected and simulated data, similarities were easier to notice and interpret. Spectral analysis identifies frequencies that contribute to the variations in the data. These frequencies could have individual biological significance and/or aid in the attempt to represent the data that are non-sinusoidal by summing their sinusoids. The high frequencies are most likely harmonics of the yearly cycle, where 2, 8 and 9 c/y are recommended to be considered in inclusion in multi-term periodic models. Simulations presented the opportunity to compare the effect of sampling rates and data length on the spectral results. It is recommended to use weekly sampled data of at least 30 years. The results from investigating influenza morbidity and mortality data in the frequency domain aid to better understand the patterns of the data, which can be used to improve forecasting of influenza 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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».