STAN: spatio-temporal attention network for pandemic prediction using real-world evidence.
STAN: spatio-temporal attention network for pandemic prediction using real-world evidence.
复制标题
DOI：
10.1093/jamia/ocaa322
复制
发表时间：
2021-03-18
期刊：
影响因子：
--
通讯作者：
Xiao C
中科院分区：
文献类型：
--
作者：
Gao J;Sharma R;Qian C;Glass LM;Spaeder J;Romberg J;Sun J;Xiao C
我们的目标是开发一种混合模型，通过以下方式更早、更准确地预测大流行病中的感染病例数：（1）使用来自不同县和州的患者索赔数据，这些数据捕捉了当地的疾病状况和医疗资源利用情况;（2）利用不同地点之间的人口统计相似性和地理邻近性;（3）将大流行病传播动态整合到深度学习模型中。我们提出了一个时空注意力网络（STAN）的流行病预测。它使用图形注意力网络来捕捉疾病动态的时空趋势，并预测未来固定天数的病例数。我们还设计了一个基于动态的损失期，以增强长期预测。STAN使用真实世界的患者索赔数据和美国各县的COVID-19统计数据进行了测试。STAN在长期和短期预测方面都优于传统的流行病学模型，如易感染-恢复（SIR），易感染-暴露-感染-恢复（SEIR）和深度学习模型，与最佳基线预测模型相比，均方误差降低高达87%。通过结合来自真实世界索赔数据和疾病病例计数数据的信息，STAN可以更好地预测疾病状态和医疗资源利用率。
We aim to develop a hybrid model for earlier and more accurate predictions for the number of infected cases in pandemics by (1) using patients’ claims data from different counties and states that capture local disease status and medical resource utilization; (2) utilizing demographic similarity and geographical proximity between locations; and (3) integrating pandemic transmission dynamics into a deep learning model. We proposed a spatio-temporal attention network (STAN) for pandemic prediction. It uses a graph attention network to capture spatio-temporal trends of disease dynamics and to predict the number of cases for a fixed number of days into the future. We also designed a dynamics-based loss term for enhancing long-term predictions. STAN was tested using both real-world patient claims data and COVID-19 statistics over time across US counties. STAN outperforms traditional epidemiological models such as susceptible-infectious-recovered (SIR), susceptible-exposed-infectious-recovered (SEIR), and deep learning models on both long-term and short-term predictions, achieving up to 87% reduction in mean squared error compared to the best baseline prediction model. By combining information from real-world claims data and disease case counts data, STAN can better predict disease status and medical resource utilization.
登录
查看更多内容
影响因子：
3.8
作者：
Roberts M;Andreasen V;Lloyd A;Pellis L
通讯作者：
Pellis L
影响因子：
1.9
作者：
Li, MY;Smith, HL;Wang, LC
通讯作者：
Wang, LC
基于时空分析和GRU的城市路段短期交通流预测方法
影响因子：
3.9
作者：
Dai, Guowen;Ma, Changxi;Xu, Xuecai
通讯作者：
Xu, Xuecai
影响因子：
4.1
作者：
Wu, Jin-Long;Kashinath, Karthik;Xiao, Heng
通讯作者：
Xiao, Heng
影响因子：
5.2
作者：
Tessmer HL;Ito K;Omori R
通讯作者：
Omori R