[論文レビュー] Association Learning Between the COVID-19 Infections and Global Demographic Characteristics Using the Class Rule Mining and Pattern Matching

Wasiq Khan, Abrar Hussain+3 more|arXiv (Cornell University)|Sep 27, 2020

COVID-19 epidemiological studies参考文献 32被引用数 4

ひとこと要約

本研究では、グローバルな人口統計的属性とCOVID-19の重症度レベルとの間の多次元的関連性を解明するために、クラスルールマイニングとパターンマッチングを組み合わせた知的モデルを提案する。2020年8月までのデータを用い、自己組織化マップ、クラス関連ルール、統計解析を適用することで、特に女性の喫煙者に関連する強い関連性が同定された。これは、人口統計的分布が地域ごとの疾患の進行状況や重症度に顕著に影響していることを示唆している。

ABSTRACT

Over 26 million cases have been confirmed worldwide (by 20 August 2020) since the Coronavirus disease (COIVD_19) outbreak in December 2019. Research studies have been addressing diverse aspects in relation to COVID_19 including potential symptoms, predictive tools and specifically, correlations with various demographic attributes. However, very limited work is performed towards the modelling of complex associations between the combined demographic attributes and varying nature of the COVID_19 infections across the globe. Investigating the underlying disease associations with the combined demographical characteristics might help in comprehensive analysis this devastating disease as well as contribute to its effective management. In this study, we present an intelligent model to investigate the multi-dimensional associations between the potentially relevant demographic attributes and the COVID_19 severity levels across the globe. We gather multiple demographic attributes and COVID_19 infection data (by 20 August 2020) from various reliable sources, which is then fed-into pattern matching algorithms that include self-organizing maps, class association rules and statistical approaches, to identify the significant associations within the processed dataset. Statistical results and the experts report indicate strong associations between the COVID_19 severity levels and measures of certain demographic attributes such as female smokers, when combined together with other attributes. These results strongly suggest that the mechanism underlying COVID_19 infection severity is associated to distribution of the certain demographic attributes within different regions of the world. The outcomes will aid the understanding of the dynamics of disease spread and its progression that might in turn help the policy makers and the society, in better understanding and management of the disease.

研究の動機と目的

• グローバルな地域における統合的人口統計的属性とCOVID-19感染の重症度との間の複雑な関連性をモデル化すること。
• 疾病の進行状況や重症度に及ぼす多次元的人口統計的要因の影響に関する限られた研究を補完すること。
• 深刻な結果と関連する高リスクの人口統計的クラスタを同定することで、公衆衛生政策を支援すること。
• パターンマッチング技術と統計的妥当性検証を統合し、信頼性の高い関連性の発見を実現すること。

提案手法

• 2020年8月までに入手可能な信頼できる情報源から、グローバルな人口統計的およびCOVID-19感染データを収集した。
• 高次元の人口統計的および感染データにおける潜在的パターンを同定するために、自己組織化マップを適用した。
• 人口統計的特徴とCOVID-19重症度レベルとの間の有意な関係を抽出するために、クラス関連ルールマイニングを用いた。
• 発見された関連性の有意性を検証するために統計解析を統合した。
• 結果を専門家レポートと統合し、発見された関連性の臨床的および疫学的妥当性を評価した。

実験結果

リサーチクエスチョン

• RQ1 どの人口統計的属性の組み合わせが、グローバルに高いCOVID-19重症度レベルと強く関連しているか？
• RQ2 地域ごとの人口統計的分布は、疾病の進行状況や重症度の変動とどのように相関しているか？
• RQ3 例えば女性の喫煙者のような、特定の人口統計的グループは、深刻な結果を予測するのに顕著な予測力を持つのか？
• RQ4 パターンマッチングとルールマイニング技術は、多次元の健康データにおいて顕在化しない関連性をどの程度明らかにできるか？

主な発見

• 女性の喫煙者とCOVID-19重症度の間には強い関連性が確認され、顕著な人口統計的リスク要因であることが示唆された。
• 自己組織化マップとクラス関連ルールの統合により、人口統計的クラスタと疾患の結果との間の複雑で非線形的な関係が明らかになった。
• 統計的妥当性検証と専門家レビューにより、同定された関連性の有意性と妥当性が確認された。
• このモデルは、地域ごとの人口統計的分布が、疾患重症度のパターンの変動と強く関連していることを示した。
• 研究結果は、性別、喫煙行動、地域的分布といった人口統計的属性が、疾病の広がり方や重症度のダイナミクスに共同で影響を与えていることを示している。