Predicting COVID-19 positivity and hospitalization with multi-scale graph neural networks

计算机科学 利用 大流行 图形 比例(比率) 2019年冠状病毒病(COVID-19) 数据科学 人口 人工神经网络 机器学习 人工智能 数据挖掘 地理 地图学 医学 计算机安全 理论计算机科学 传染病(医学专业) 疾病 环境卫生 病理
作者
Konstantinos Skianis,Giannis Nikolentzos,B. Gallix,Rodolphe Thiébaut,Georgios Exarchakis
出处
期刊:Scientific Reports [Springer Nature]
卷期号:13 (1) 被引量:4
标识
DOI:10.1038/s41598-023-31222-6
摘要

The pandemic of COVID-19 is undoubtedly one of the biggest challenges for modern healthcare. In order to analyze the spatio-temporal aspects of the spread of COVID-19, technology has helped us to track, identify and store information regarding positivity and hospitalization, across different levels of municipal entities. In this work, we present a method for predicting the number of positive and hospitalized cases via a novel multi-scale graph neural network, integrating information from fine-scale geographical zones of a few thousand inhabitants. By leveraging population mobility data and other features, the model utilizes message passing to model interaction between areas. Our proposed model manages to outperform baselines and deep learning models, presenting low errors in both prediction tasks. We specifically point out the importance of our contribution in predicting hospitalization since hospitals became critical infrastructure during the pandemic. To the best of our knowledge, this is the first work to exploit high-resolution spatio-temporal data in a multi-scale manner, incorporating additional knowledge, such as vaccination rates and population mobility data. We believe that our method may improve future estimations of positivity and hospitalization, which is crucial for healthcare planning.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
斯文败类应助灵巧南松采纳,获得10
4秒前
丘比特应助粱乘风采纳,获得10
6秒前
111发布了新的文献求助10
9秒前
10秒前
13秒前
Zcccjy完成签到 ,获得积分10
14秒前
12312312312发布了新的文献求助50
15秒前
Yolo完成签到,获得积分20
15秒前
16秒前
16秒前
科目三应助魔法签证1993采纳,获得10
16秒前
17秒前
daoketuo完成签到,获得积分10
17秒前
18秒前
19秒前
20秒前
灵巧南松发布了新的文献求助10
20秒前
21秒前
奔跑的小鹰完成签到,获得积分10
21秒前
转生成书发布了新的文献求助10
22秒前
coffee发布了新的文献求助10
23秒前
23秒前
ddddd发布了新的文献求助10
23秒前
QQQ发布了新的文献求助10
24秒前
没有你不行完成签到,获得积分10
25秒前
wh雨完成签到,获得积分20
26秒前
27秒前
coffee完成签到,获得积分10
28秒前
30秒前
30秒前
nwj123654发布了新的文献求助10
32秒前
科研通AI2S应助WYX采纳,获得10
32秒前
坚定芷烟发布了新的文献求助10
33秒前
灵巧南松完成签到,获得积分10
34秒前
35秒前
从容的太君完成签到,获得积分10
38秒前
42秒前
44秒前
45秒前
不配.应助科研通管家采纳,获得10
46秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Artificial Intelligence, Co-Creation and Creativity 1000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
Ethnicities: Media, Health, and Coping 700
The Neotropical “Polymorphic Earless Praying Mantises”–Part II: Taxonomic Review of the Genera and Checklist of Species (Insecta: Mantodea, Acanthopoidea) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3089848
求助须知:如何正确求助?哪些是违规求助? 2741997
关于积分的说明 7567896
捐赠科研通 2392566
什么是DOI,文献DOI怎么找? 1268835
科研通“疑难数据库(出版商)”最低求助积分说明 614174
版权声明 598710