Data-driven efficient network and surveillance-based immunization
Data-driven efficient network and surveillance-based immunization
复制标题
数据驱动的高效网络和基于监测的免疫
DOI：
10.1007/s10115-018-01326-x
复制
发表时间：
2019
影响因子：
2.7
通讯作者：
Prakash, B. Aditya
中科院分区：
文献类型：
--
作者：
Zhang, Yao;Ramanathan, Arvind;Vullikanti, Anil;Pullum, Laura;Prakash, B. Aditya
给定一个联系网络和粗粒度的诊断信息，如电子医疗报销索赔（eHRC）数据，我们能否从数据中制定有效的干预政策来控制流行病？免疫接种是多个领域的一个重要问题，特别是流行病学和公共卫生。然而，现有的研究大多依赖于假设先前的流行病学模型来制定先发制人的策略，这可能无法适应新的流行病学模式的变化和丰富的数据，如aseHRC的可用性。在实践中，疾病传播通常是复杂的，因此假设的基本模型可能偏离真实的传播模式，导致可能不准确的干预措施。此外，丰富的医疗保健监测数据（如aseHRC）使得研究数据驱动的策略成为可能，而无需太多限制性假设。因此，这种数据驱动的干预方法可以帮助公共卫生专家做出更实际的决策。在本文中，我们考虑到传播日志和接触网络控制传播。与以前基于模型的方法不同，我们的解决方案完全是数据驱动的，从某种意义上说，我们直接从网络和HRC中开发免疫策略，而不需要假设经典的流行病学模型。特别是，我们制定了新的和具有挑战性的数据驱动的免疫问题。为了解决这个问题，我们首先提出了一个有效的抽样方法来对齐监测数据与接触网络，然后开发一个有效的算法与可证明的近似保证免疫。最后，我们通过在多个数据集上的大量实验，证明了我们的方法的有效性和可扩展性，并对全国范围内的真实的医疗监测数据进行了案例研究。
Given a contact network and coarse-grained diagnostic information such as electronic Healthcare Reimbursement Claims (eHRC) data, can we develop efficient intervention policies from data to control an epidemic? Immunization is an important problem in multiple areas, especially epidemiology and public health. However, most existing studies rely on assuming prior epidemiological models to develop pre-emptive strategies, which may fail to adapt to the change in new epidemiological patterns and the availability of rich data such aseHRC. In practice, disease spread is usually complicated, hence assuming an underlying model may deviate from true spreading patterns, leading to possibly inaccurate interventions. Additionally, the abundance of health care surveillance data (such aseHRC) makes it possible to study data-driven strategies without too many restrictive assumptions. Hence, such a data-driven intervention approach can help public-health experts take more practical decisions. In this paper, we take into account propagation log and contact networks for controlling propagation. Different from previous model-based approaches, our solutions are solely data driven in a sense that we develop immunization strategies directly from the network andeHRCwithout assuming classical epidemiological models. In particular, we formulate the novel and challengingdata-driven immunizationproblem. To solve it, we first propose an efficient sampling approach to align surveillance data with contact networks, then develop an efficient algorithm with the provably approximate guarantee for immunization. Finally, we show the effectiveness and scalability of our methods via extensive experiments on multiple datasets, and conduct case studies on nation-wide real medical surveillance data.
登录
查看更多内容
DOI：
10.1137/1.9781611972832.73
发表时间：
2013
期刊：
--
影响因子：
--
作者：
B. Aditya Prakash;Lada A. Adamic;T. Iwashyna;Hanghang Tong;C. Faloutsos
通讯作者：
B. Aditya Prakash;Lada A. Adamic;T. Iwashyna;Hanghang Tong;C. Faloutsos
ORBiT：橡树岭公共卫生动态生物监测工具包
影响因子：
3
作者：
A. Ramanathan;L. Pullum;Tanner C. Hobson;C. Steed;Shannon P. Quinn;C. Chennubhotla;Silvia Valkova
通讯作者：
Silvia Valkova
影响因子：
2.6
作者：
Shim, Eunha
通讯作者：
Shim, Eunha
影响因子：
3.7
作者：
Özgür Özmen;L. Pullum;A. Ramanathan;J. Nutaro
通讯作者：
J. Nutaro
使用折叠随机块模型在网络中进行聚类
DOI：
--
发表时间：
2012
期刊：
影响因子：
--
作者：
Aaron F. McDaid;T. B. Murphy;N. Friel;N. Hurley
通讯作者：
N. Hurley