Araştırmacılar, grip salgınlarının seyrini tahmin etmek için yenilikçi bir yapay zeka yaklaşımı geliştirdiler. Influpaint adlı sistem, salgın verilerini görsel imgeler haline dönüştürerek öğrenen difüzyon modellerini kullanıyor. Bu yöntem, geleneksel istatistiksel modellerin aksine çok boyutlu belirsizlikleri yakalayabiliyor ve yeni eğilimleri öngörebiliyor. Sistem, grip sezonlarını uzamsal-zamansal görüntüler olarak kodlayarak, piksel yoğunluğunun vaka sayısını temsil ettiği bir yapı oluşturuyor. Hem gerçek sürveyans verilerinden hem de simülasyon verilerinden öğrenen hibrit yaklaşım, hastalık dinamiklerinin zengin bir dağılımını öğreniyor. Tahminleme süreci, kısmi gözlemlerden koşullu üretim görevi olarak tasarlanmış. Retrospektif değerlendirmelerde mevcut topluluk yöntemleriyle rekabet edebilir doğruluk seviyesine ulaşan sistem, 2023-2025 ABD CDC FluSight yarışmalarında gerçek zamanlı testlerden geçiyor.

arXiv (Biyoloji) 0

Tıp & Sağlık

21 Apr

Salgın Tahminleme için Dev Veri Seti: 100 Yıllık Hastalık Verisi Tek Çatıda

Araştırmacılar, salgın hastalıkların seyrini önceden tahmin edebilmek için IDOBE adlı kapsamlı bir veri sistemi geliştirdi. Bu sistem, son yüzyılda ABD ve dünya genelinde görülen 13 farklı hastalığa ait 10.000'den fazla salgın vakasını içeriyor. COVID-19 pandemisi sırasında da görüldüğü gibi, salgınların seyrini doğru tahmin etmek halk sağlığı önlemlerinin zamanında alınması için kritik önem taşıyor. Ancak şimdiye kadar bu tür tahmin modellerini test edecek standart veri setleri eksikti. IDOBE, makine öğrenmesi ve istatistiksel modellerin performansını değerlendirmek için gerekli altyapıyı sunuyor.

arXiv (CS + AI) 0