Metode vođene podacima za predviđanje i nadzor denga groznice koristeći stvarni svijet i velike podatke: sistematski pregled.
PLoS neglected tropical diseases
Sažetak istraživanja
Pozadina Tradicionalno, nadzor denga groznice se zasniva na prijavljivanju slučajeva centralnoj zdravstvenoj agenciji. Međutim, kašnjenje između slučaja i njegovog obavještenja može ograničiti odziv sistema.
Metode mašinskog učenja razvijene su kako bi se smanjila kašnjenja u prijavljivanju i predvidele epidemije, na osnovu netradicionalnih i nekliničkih izvora podataka.
Cilj ovog sistematskog pregleda bio je da se identifikuju studije koje su koristile stvarne podatke, velike podatke i/ili metode mašinskog učenja za praćenje i predviđanje ishoda vezanih za denga groznicu. Metodologija/glavni nalazi Izvršili smo pretragu u PubMed-u, Scopusu, Web of Science i sivoj literaturi između 1. januara 2000. i 31. avgusta 2020. Pregled (ID: CRD42020172472) se fokusirao na studije zasnovane na podacima. Recenzije, randomizirana kontrolna ispitivanja i deskriptivne studije nisu uključene. Među 119 uključenih studija, 67% je objavljeno između 2016. i 2020., a 39% je koristilo barem jedan novi tok podataka.
Cilj uključenih studija bio je predvidjeti ishod denga groznice (55%), procijeniti validnost izvora podataka za nadzor denga groznice (23%) ili oboje (22%). Većina studija (60%) koristila je pristup mašinskog učenja. Studije o predviđanju denga groznice upoređivale su različite modele predviđanja ili su identifikovale značajne prediktore među nekoliko kovarijata u modelu. Najznačajniji prediktori bili su padavine (43%), temperatura (41%) i vlažnost (25%). Dva modela sa najvećim performansama su Neuralne mreže i Decision Trees (52%), a zatim Support Vector Machine (17%). Ne možemo isključiti pristrasnost odabira u našoj studiji zbog naša dva glavna ograničenja: nismo uključili preprinte i nismo mogli dobiti mišljenje drugih međunarodnih stručnjaka. Zaključci/značaj Kombinovanje podataka iz stvarnog sveta i velikih podataka sa metodama mašinskog učenja je obećavajući pristup za poboljšanje predviđanja i praćenja denga groznice. Buduće studije bi se trebale fokusirati na to kako bolje integrirati sve dostupne izvore podataka i metode za poboljšanje odgovora i upravljanja denga groznicom od strane zainteresiranih strana.
Prikaži originalni naslov i sažetak na engleskom
Data-driven methods for dengue prediction and surveillance using real-world and Big Data: A systematic review.
Background Traditionally, dengue surveillance is based on case reporting to a central health agency. However, the delay between a case and its notification can limit the system responsiveness. Machine learning methods have been developed to reduce the reporting delays and to predict outbreaks, based on non-traditional and non-clinical data sources. The aim of this systematic review was to identify studies that used real-world data, Big Data and/or machine learning methods to monitor and predict dengue-related outcomes. Methodology/principal findings We performed a search in PubMed, Scopus, Web of Science and grey literature between January 1, 2000 and August 31, 2020. The review (ID: CRD42020172472) focused on data-driven studies. Reviews, randomized control trials and descriptive studies were not included. Among the 119 studies included, 67% were published between 2016 and 2020, and 39% used at least one novel data stream. The aim of the included studies was to predict a dengue-related outcome (55%), assess the validity of data sources for dengue surveillance (23%), or both (22%). Most studies (60%) used a machine learning approach. Studies on dengue prediction compared different prediction models, or identified significant predictors among several covariates in a model. The most significant predictors were rainfall (43%), temperature (41%), and humidity (25%). The two models with the highest performances were Neural Networks and Decision Trees (52%), followed by Support Vector Machine (17%). We cannot rule out a selection bias in our study because of our two main limitations: we did not include preprints and could not obtain the opinion of other international experts. Conclusions/significance Combining real-world data and Big Data with machine learning methods is a promising approach to improve dengue prediction and monitoring. Future studies should focus on how to better integrate all available data sources and methods to improve the response and dengue management by stakeholders.
Izvorni podaci
- DOI
- 10.1371/journal.pntd.0010056
- PMID
- 34995281
- PMCID
- PMC8740963
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom