Методи машинного навчання в епідеміологічних дослідженнях
Анотація
Досліджено особливості застосування методів машинного навчання для аналізу, передбачення та контролю епідеміологічного стану, виявлення тенденцій та моделей захворювань. Проведено дослідження та здійснено аналіз різноманітних методів машинного навчання для систематизації та порівняння епідеміологічних даних. Починаючи з класичних підходів, таких як лінійна регресія та дерева рішень, розглянуто їхні переваги та обмеження. Також розглянуто та запропоновано використання методів глибокого навчання, таких як згорткові нейронні мережі та рекурентні нейронні мережі, для ефективного аналізу складних взаємозв'язків у епідеміологічних даних. Детально досліджено та наведено переваги та обмеження кожного методу та їхні потенційні застосування для прогнозування епідеміологічної ситуації та виявлення ризикових чинників захворювань. Наведено порівняння точності різних методів на прикладі декількох вірусних захворювань. Проаналізовано наявні проблеми та обмеження у використанні машинного навчання у прогнозуванні інфекційних захворювань. Було проаналізовано також дослідження у разі поєднання декількох методів і їх результати. Розглянуто вимоги до вхідних даних і показники, які є важливими під час вибору вхідних даних для методів машинного навчання. Розглянуто останні високоякісні дослідження, де було застосовано методи машинного навчання до даних реального світу та оцінено ефективність цих моделей у прогнозуванні поширення та початку інфекційних захворювань. Розглянуто дослідження на вхідних даних різного характеру, отриманих із різних джерел та зібраних у різних регіонах світу щодо декількох інфекційних захворювань. Проаналізовано ефективність методів виявлення залежності між тенденціями захворювання та географічним розповсюдженням, а також враховано сезонність, особливості місцевості та інші відмінності. Наведено висновки щодо наявних можливостей та перспектив використання методів машинного навчання для аналізу та прогнозування епідеміологічних даних, а також розроблено список критеріїв, за якими можна оцінити доцільність використання методу машинного навчання для оцінювання та прогнозування епідеміологічного стану.
Завантаження
Посилання
Ajagbe, S. A., & Adigun, M. O. (2024). Deep learning techniques for detection and prediction of pandemic diseases: A systematic literature review. Multimedia Tools and Applications, 83, 5893–5927. https://doi.org/10.1007/s11042-023-15805-z
Ajith, A., Manoj, K., Kiran, H., Pillai, P. J., & Nair, J. J. (2020). A study on prediction and spreading of epidemic diseases. 2020 International Conference on Communication and Signal Processing (ICCSP) (pp. 1265–1268). https://doi.org/10.1109/ICCSP48568.2020.9182147
Al-Abdulrazzaq, D. (2019). Use of non-invasive parameters and machine-learning algorithms for predicting future risk of type 2 diabetes: A retrospective cohort study of health data from Kuwait. Frontiers in Endocrinology. https://doi.org/10.3389/fendo.2019.00624
Atkinson, A., Ellenberger, B., Piezzi, V., Kaspar, T., Salazar-Vizcaya, L., Endrich, O., Leichtle, A. B., & Marschall, J. (2022). Extending outbreak investigation with machine learning and graph theory: Benefits of new tools with application to a nosocomial outbreak of a multidrug-resistant organism. Infection Control & Hospital Epidemiology, 16, 1–7. Advance online publication. https://doi.org/10.1017/ice.2022.66
Chen, Y., Chu, C. W., Chen, M. I. C., & Cook, A. R. (2018). The utility of LASSO-based models for real-time forecasts of endemic infectious diseases: A cross-country comparison. Journal of Biomedical Informatics, 81, 16–30. https://doi.org/10.1016/j.jbi.2018.02.014
Cheng, S., Zhou, J., Luo, X., Zhou, T., & Jiang, B. (2022). The application of interpretable machine learning model based on comparative learning and NARMAX in epidemic research. In 2022 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA) (pp. 1071–1076). Dalian, China. IEEE. https://doi.org/10.1109/ICAICA54878.2022.9844583
Chrin, R., & Wang, S. (2022). Analysis and Prediction of COVID-19 Data using Machine Learning Models. In Proceedings of the 2021 10th International Conference on Computing and Pattern Recognition (ICCPR 21) (pp. 296–301). Association for Computing Machinery. https://doi.org/10.1145/3497623.3497671
Chumachenko, D., Meniailov, I., Bazilevych, K., & Krivtsov, S. (2021). Forecasting of COVID-19 Epidemic Process by Random Forest Method. In 2021 IEEE 8th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T) (pp. 491–494). Kharkiv, Ukraine. IEEE. https://doi.org/10.1109/PICST54195.2021.9772149
Gao, Y., Cai, G. Y., & Fang, W., et al. (2020). Machine learning based early warning system enable accurate mortality risk prediction for COVID-19. Nature Communications, 11, Article 5033. https://doi.org/10.1038/s41467-020-18684-2
Ghannam, R. B., & Techtmann, S. M. (2021). Machine learning applications in microbial ecology, human microbiome studies, and environmental monitoring. Computational and Structural Biotechnology Journal, 19, 1092–1107. https://doi.org/10.1016/j.csbj.2021.01.028
Gianfredi, V., Santangelo, O. E., & Provenzano, S. (2021). Correlation between flu and Wikipedias pages visualization. Acta Biomedica, 92, Article e2021056. https://doi.org/10.23750/abm.v92i1.9790
Gupta, R., Pandey, G., Chaudhary, P., & Pal, S. K. (2020). Machine Learning Models for Government to Predict COVID-19 Outbreak. Digital Government: Research and Practice, 1(4), Article 26, 6 p. https://doi.org/10.1145/3411761
Huang, A. A., & Huang, S. Y. (2023). Technical report: Machine-learning pipeline for medical research and quality-improvement initiatives. Cureus, 15(10), Article e46549. https://doi.org/10.7759/cureus.46549
Kumar, C. R. J., Arunsi, M. B., & Majid, M. A. (2023). A Machine Learning-driven IoT Architecture for Predicting the Growth and Trend of Covid-19 Epidemic Outbreaks to Identify High-risk Locations. In 2023 20th Learning and Technology Conference (L&T) (pp. 120–127). Jeddah, Saudi Arabia. https://doi.org/10.1109/LT58159.2023.10092331
Li, F., & Luan, P. (2011). ARMA model for predicting the number of new outbreaks of Newcastle disease during the month. In Proceedings of the 2011 IEEE International Conference on Computer Science and Automation Engineering (pp. 660–663). https://doi.org/10.1109/CSAE.2011.5952933
Liang, R., Lu, Y., Qu, X., Su, Q., Li, C., Xia, S., Liu, Y., Zhang, Q., Cao, X., Chen, Q., & Niu, B. (2019). Prediction for global African swine fever outbreaks based on a combination of random forest algorithms and meteorological data. Transboundary and Emerging Diseases. https://doi.org/10.1111/tbed.13424
Liu, M., Liu, Y., & Liu, J. (2023). Epidemiology-aware deep learning for infectious disease dynamics prediction. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (CIKM 23) (pp. 4084–4088). Association for Computing Machinery. https://doi.org/10.1145/3583780.3615139
Mitra, A., Soman, B., & Singh, G. (2019). Integrating multiple data sources and learning models to predict infectious diseases in China. AMIA Joint Summits on Translational Science Proceedings, 2019, 680–685. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6568090/
Molaei, S., Khansari, M., Veisi, H., et al. (2019). Predicting the spread of influenza epidemics by analyzing Twitter messages. Health Technology, 9, 517–532. https://doi.org/10.1007/s12553-019-00309-4
Najar, A. M., Irawan, M. I., & Adzkiya, D. (2018). Extreme learning machine method for dengue hemorrhagic fever outbreak risk level prediction. 2018 International Conference on Smart Computing and Electronic Enterprise (ICSCEE) (pp. 1–5). https://doi.org/10.1109/ICSCEE.2018.8538409
Ono, S., & Goto, T. (n.d.). Introduction to supervised machine learning in clinical epidemiology. Department of Eat-loss Medicine, Graduate School of Medicine, The University of Tokyo. Department of Clinical Epidemiology and Health Economics, The University of Tokyo. TXP Medical Co. Ltd. https://doi.org/10.37737/ace.22009
Palaniappan, S., V., R., David, B., & Pathur Nisha, S. (2022). Prediction of epidemic disease dynamics on the infection risk using machine learning algorithms. SN Computer Science, 3, 47 p. https://doi.org/10.1007/s42979-021-00902-3
Pramod, A., Abhishek, J. S., & Suganthi, K. (2023). Epidemic outbreak prediction using machine learning models. School of Electronics Engineering, Vellore Institute of Technology Chennai Campus. https://doi.org/10.48550/arXiv.2310.19760
Provenzano, S., Santangelo, O. E., Giordano, D., Alagna, E., Piazza, D., Genovese, D., Calamusa, G., & Firenze, A. (2019). Predicting disease outbreaks: Evaluating measles infection with Wikipedia Trends. Recenti Progressi in Medicina, 110, 292–296. https://doi.org/10.1701/3182.31610
Roth, J. A., Battegay, M., Juchler, F., Vogt, J. E., & Widmer, A. F. (2018). Introduction to machine learning in digital healthcare epidemiology. Infection Control & Hospital Epidemiology, 39, 1457–1462. https://doi.org/10.1017/ice.2018.265
Roy, S., Biswas, P., & Ghosh, P. (2021). Spatiotemporal tracing of pandemic spread from infection data. Scientific Reports, 11, Article 17689. https://doi.org/10.1038/s41598-021-97207-5
Santangelo, O. E., Gentile, V., Pizzo, S., Giordano, D., & Cedrone, F. (2023). Machine learning and prediction of infectious diseases: A systematic review. Machine Learning and Knowledge Extraction, 5, 175–198. https://doi.org/10.3390/make5010013
Santangelo, O., Provenzano, S., Piazza, D., Giordano, D., Calamusa, G., & Firenze, A. (2019). Digital epidemiology: Assessment of measles infection through Google Trends mechanism in Italy. Ann Ig, 31, 385–391. https://doi.org/10.7416/ai.2019.2300
Santillana, M., et al. (2015). Combining search, social media, and traditional data sources to improve influenza surveillance. PLoS Computational Biology, 11(10), Article e1004513. https://doi.org/10.1371/journal.pcbi.1004513
Soliman, M., Lyubchich, V., & Gel, Y. R. (2019). Complementing the power of deep learning with statistical model fusion: Probabilistic forecasting of influenza in Dallas County, Texas, USA. Epidemics, 28, Article 100345. https://doi.org/10.1016/j.epidem.2019.05.004
Tapak, L., et al. (2019). Comparative evaluation of time series models for predicting influenza outbreaks: Application of influenza-like illness data from sentinel sites of healthcare centers in Iran. BMC Research Notes, 12, Article 353. https://doi.org/10.1186/s13104-019-4393-y
Turbe, V., Herbst, C., Mngomezulu, T., Meshkinfamfard, S., Dlamini, N., Mhlongo, T., Smit, T., Cherepanova, V., Shimada, K., Budd, J., Arsenov, N., Gray, S., Pillay, D., Herbst, A., Shahmanesh, M., & McKendry, R. (2021). Deep learning of HIV field-based rapid tests. Nature Medicine, 27, 1–6. https://doi.org/10.1038/s41591-021-01384-9
Wang, M., et al. (2019). A novel model for malaria prediction based on ensemble algorithms. PloS ONE, 14(12), Article e0226910. https://doi.org/10.1371/journal.pone.0226910
Wang, P., Zheng, X., Li, J., & Zhu, B. (2020). Prediction of epidemic trends in COVID-19 with logistic model and machine learning technics. Chaos, Solitons & Fractals, 139, Article 110058. https://doi.org/10.1016/j.chaos.2020.110058
Wiemken, T. L., & Kelley, R. R. (2019). Machine learning in epidemiology and health outcomes research. Annual Review of Public Health, 40, 21–36. https://doi.org/10.1146/annurev-publhealth-040119-094437
World Health Organization. (2021). Ethics and Governance of Artificial Intelligence for Health: WHO Guidance. Geneva, Switzerland: World Health Organization, Licence: CC BY-NC-SA 3.0 IGO. URL: https://www.who.int/publications/i/item/9789240029200
World Health Organization. (2022). Global Report on Infection Prevention and Control. Geneva, Switzerland: World Health Organization, Licence: CC BY-NC-SA 3.0 IGO. URL: https://iris.who.int/bitstream/handle/10665/354489/9789240051164-eng.pdf?sequence=1
Wu, Y., Yang, Y., Nishiura, H., & Saitoh, M. (2018). Deep learning for epidemiological predictions. In Proceedings of the 41st International ACM SIGIR Conference on Research & Development in Information Retrieval (SIGIR 18) (pp. 1085–1088). Association for Computing Machinery. https://doi.org/10.1145/3209978.3210077
Xu, B., Chen, X., A, Y., & Chen, Z. (2024). Epidemic Prediction Algorithm Based on Deep Learning and Epidemic Dynamics. In Proceedings of the 2023 4th International Conference on Machine Learning and Computer Application (ICMLCA 23) (pp. 1021–1026). Association for Computing Machinery. https://doi.org/10.1145/3650215.3650396
