Machine learning for predicting measles outbreaks in resource-limited settings
Notice bibliographique
Résumé
Abstract Background Measles remains a major public health issue, especially in regions with low vaccination rates and limited healthcare access. Timely outbreak prediction is crucial for effective intervention and resource allocation. Traditional epidemiological models struggle with real-time predictions due to reliance on historical data and limited analysis. Artificial intelligence (AI) offers a data-driven approach to capturing complex outbreak patterns and improving prediction accuracy. Methods This study developed and evaluated machine learning (ML) models to predict measles outbreaks at the community level, using real-world data collected by community volunteers in Ethiopia. The dataset includes demographic, vaccination status, location, clinical, and image data, providing a comprehensive assessment of outbreak risk factors. Five ML models-Random Forest (RF), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and K-Nearest Neighbors (KNN)-were assessed using metrics such as area under the receiver operating curve (AUC), precision, recall, and F1-score. Results The results demonstrate that machine learning models can effectively predict measles outbreaks, with the top-performing model, K-Nearest Neighbors (KNN), achieving an AUC of 0.87 (95% CI: 0.84-0.90). Among the five models tested, KNN outperformed the others, showing the highest predictive accuracy, and the difference in AUC was statistically significant (p < 0.05). Conclusions The model's ability to capture complex epidemiological factors underscores its potential to enhance surveillance and early warning systems. This research highlights the effectiveness of ML-based measles prediction in resource-limited settings. Integrating these models into public health strategies can improve early detection and reduce measles impact. Future work will focus on refining the model, incorporating real-time data, and expanding evaluation metrics for practical deployment. Key messages • Machine learning enables accurate early measles detection fusing different data sources, supporting faster response and better health outcomes in communities. • Machine learning offers a powerful tool for predicting outbreaks early, filling critical gaps in low-resource health systems.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».