A Machine Learning-based Dynamic SST Index for Long-lead Malaria Prediction in the Peruvian Amazon
Notice bibliographique
Résumé
Malaria imposes a major health burden in the Peruvian Amazon, and its early warning is essential for effective disease prevention. The tropical sea surface temperature (SST) variability, fundamentally shaping the global weather patterns, may also alter malaria transmission and potentially improve its long-lead predictability. In this study, we propose a machine learning-based methodology to identify long-lead predictors for Peruvian malaria from the ocean. First, we demonstrate that significant correlations broadly exist between tropical sea surface temperature (SST) anomalies and Peruvian malaria incidence across different seasons and time lags, confirming the potential predictability from the tropical ocean. Then, we apply the self-organizing map to synthesize the spatiotemporally varying SST-malaria relationship and identify a unique dynamic SST index for Peruvian malaria. The dynamic SST index provides better prediction performance (higher correlation coefficients and lower root mean square errors) in the single-predictor generalized linear model, compared to the traditional El Niño–Southern Oscillation (ENSO) index, with lead times exceeding three months. Furthermore, the dynamic SST index captures the evolution of the ENSO life cycle from its precursor climate mode (Pacific meridional mode) and appears to influence Peruvian malaria by altering the local near-surface air temperature and specific humidity. Such underlying mechanisms provide the physically plausible basis for the long-lead predictability of Peruvian malaria using a machine learning-based remote predictor.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».