Machine Learning for Disease Outbreak Detection Using Probabilistic Models
Notice bibliographique
Résumé
L'expansion de maladies connues et l'mergence de nouvelles maladies ont affect la vie de nombreuses personnes et ont eu des consquences conomiques importantes.L'bola n'est que le dernier des exemples rcents.La dtection prcoce d'infections pidmiologiques s'avre donc un enjeu de taille.Dans le secteur de la surveillance syndromique, nous avons assist rcemment une prolifration d'algorithmes de dtection d'pidmies.Leur performance peut varier entre eux et selon diffrents paramtres de configuration, de sorte que l'efficacit d'un systme de surveillance pidmiologique s'en trouve d'autant affect.Pourtant, on ne possde que peu d'valuations fiables de la performance de ces algorithmes sous diffrentes conditions et pour diffrents types d'pidmie.Les valuations existantes sont bases sur des cas uniques et les donnes ne sont pas du domaine public.Il est donc difficile de comparer ces algorithmes entre eux et difficile de juger de la gnralisation des rsultats.Par consquent, nous ne sommes pas en mesure de dterminer quel d'algorithme devrait tre appliqu dans quelles circonstances.Cette thse poursuit trois objectifs gnraux : (1) tablir la relation entre la performance des algorithmes de dtection d'pidmies et le type et la svrit de ces pidmies, (2) amliorer les prdictions d'pidmies par la combinaison d'algorithmes et (3) fournir une mthode d'analyse des pidmies qui englobe une perspective de cots afin de minimiser l'impact conomique des erreurs du type faux positifs et faux ngatifs.L'approche gnrale de notre tude repose sur l'utilisation de donnes de simulation d'pidmies dont le vecteur de transmission est un rseau d'aqueducs.Les donnes sont obtenues de la plateforme de simulation SnAP du Department of Epidemiology and Biostatistics Surveillance Lab de l'universit McGill.Cette approche nous permet de crer les diffrentes conditions de types et d'intensits d'pidmiologie ncessaires l'analyse de la performance des algorithmes de dtection.Le premier objectif porte sur l'influence des diffrents types et diffrentes intensits d'pidmiologie sur la performance des algorithmes.Elle est modlise l'aide d'un modle bas sur un rseau baysien.Ce modle prdit avec succs la variation de performance observe dans les donnes.De plus, l'utilisation d'un rseau baysien permet de quantifier l'influence de chaque variable et relve aussi le rle que jouent d'autres paramtres qui taient jusqu'ici ignors dans les travaux antrieurs, savoir le seuil de dtection et l'importance de tenir compte de rcurrences hebdomadaires.vi Le second objectif vise exploiter les rsultats autour du premier objectif et de combiner les algorithmes pour optimiser la performance en fonction des facteurs d'influence.Les rsultats des algorithmes sont combins l'aide de la mthode de Mixture hirarchique d'expert (Hierarchical Mixture of Experts-HME).Le modle HME est entran pondrer la contribution de chaque algorithme en fonction des donnes.Les rsultats de cette combinaison des rsultats d'algorithmes sont comparables avec les meilleurs rsultats des algorithmes individuels, et s'avrent plus robustes travers diffrentes variations.Le niveau de contamination n'influence pas la performance relative du modle HME.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».