机器学习驱动的流行病学模型中缓解政策优化

Jayaraman J. Thiagarajan, Rushil Anirudh, Peer-Timo Bremer, Timothy Germann, Sara Del Valle, Frederick Streitz
第一届医疗人工智能与新冠疫情研讨会论文集，ICML 2022, PMLR 184:63-72, 2022.

摘要

在管理公共卫生危机方面，一个关键的方面是有效地平衡预防和缓解策略，同时考虑到其社会经济影响。特别是，鉴于疫苗何时可用的不确定性，确定不同非药物干预措施（NPI）对公共资源有效利用的影响是一个重要问题。在本文中，我们提出了一种新的方法，基于Epicast模型获得最佳策略建议，该模型可以描述不同干预措施下的疾病进展，并采用前瞻性奖励优化策略，在流行病的各个阶段选择合适的NPI。鉴于Epicast模型中固有的时间延迟以及流行病（尤其是未控制的流行病）呈指数增长的特性，我们发现这种前瞻性策略推断出符合指定约束的非平凡策略。我们使用两种不同的Epicast模型，即SEIR和EpiCast，评估所提出的算法，以确定在每日新增病例数量的限制下，以避免限制作为主要奖励的最优NPI策略。

引用本文

BibTeX
@InProceedings{pmlr-v184-thiagarajan22a, title = {机器学习驱动的流行病学模型中缓解政策优化}, author = {Thiagarajan, Jayaraman J. and Anirudh, Rushil and Bremer, Peer-Timo and Germann, Timothy and Del Valle, Sara and Streitz, Frederick}, booktitle = {第一届医疗人工智能与新冠疫情研讨会论文集，ICML 2022}, pages = {63--72}, year = {2022}, editor = {Xu, Peng and Zhu, Tingting and Zhu, Pengkai and Clifton, David A. and Belgrave, Danielle and Zhang, Yuanting}, volume = {184}, series = {机器学习研究论文集}, month = {22 Jul}, publisher = {PMLR}, pdf = {https://pmlr.com.cn/v184/thiagarajan22a/thiagarajan22a.pdf}, url = {https://pmlr.com.cn/v184/thiagarajan22a.html}, abstract = {在管理公共卫生危机方面，一个关键的方面是有效地平衡预防和缓解策略，同时考虑到其社会经济影响。特别是，鉴于疫苗何时可用的不确定性，确定不同非药物干预措施（NPI）对公共资源有效利用的影响是一个重要问题。在本文中，我们提出了一种新的方法，基于Epicast模型获得最佳策略建议，该模型可以描述不同干预措施下的疾病进展，并采用前瞻性奖励优化策略，在流行病的各个阶段选择合适的NPI。鉴于Epicast模型中固有的时间延迟以及流行病（尤其是未控制的流行病）呈指数增长的特性，我们发现这种前瞻性策略推断出符合指定约束的非平凡策略。我们使用两种不同的Epicast模型，即SEIR和EpiCast，评估所提出的算法，以确定在每日新增病例数量的限制下，以避免限制作为主要奖励的最优NPI策略。} }
Endnote
%0 会议论文 %T 机器学习驱动的流行病学模型中缓解政策优化 %A Jayaraman J. Thiagarajan %A Rushil Anirudh %A Peer-Timo Bremer %A Timothy Germann %A Sara Del Valle %A Frederick Streitz %B 第一届医疗人工智能与新冠疫情研讨会论文集，ICML 2022 %C 机器学习研究论文集 %D 2022 %E Peng Xu %E Tingting Zhu %E Pengkai Zhu %E David A. Clifton %E Danielle Belgrave %E Yuanting Zhang %F pmlr-v184-thiagarajan22a %I PMLR %P 63--72 %U https://pmlr.com.cn/v184/thiagarajan22a.html %V 184 %X 在管理公共卫生危机方面，一个关键的方面是有效地平衡预防和缓解策略，同时考虑到其社会经济影响。特别是，鉴于疫苗何时可用的不确定性，确定不同非药物干预措施（NPI）对公共资源有效利用的影响是一个重要问题。在本文中，我们提出了一种新的方法，基于Epicast模型获得最佳策略建议，该模型可以描述不同干预措施下的疾病进展，并采用前瞻性奖励优化策略，在流行病的各个阶段选择合适的NPI。鉴于Epicast模型中固有的时间延迟以及流行病（尤其是未控制的流行病）呈指数增长的特性，我们发现这种前瞻性策略推断出符合指定约束的非平凡策略。我们使用两种不同的Epicast模型，即SEIR和EpiCast，评估所提出的算法，以确定在每日新增病例数量的限制下，以避免限制作为主要奖励的最优NPI策略。
APA
Thiagarajan, J.J., Anirudh, R., Bremer, P., Germann, T., Del Valle, S. & Streitz, F.. (2022). 机器学习驱动的流行病学模型中缓解政策优化. 第一届医疗人工智能与新冠疫情研讨会论文集，ICML 2022, in 机器学习研究论文集 184:63-72 可从 https://pmlr.com.cn/v184/thiagarajan22a.html 获取.

相关材料