[論文レビュー] Visualization and machine learning for forecasting of COVID-19 in Senegal

Babacar Mbaye Ndiaye, Mouhamadou A. M. T. Baldé+1 more|arXiv (Cornell University)|Aug 6, 2020

COVID-19 diagnosis using AI参考文献 13被引用数 8

ひとこと要約

本研究では、2020年3月2日から7月26日までの公開データを用いて、セネガルにおけるCOVID-19の感染症例を予測するために、可視化および機械学習手法（線形回帰、多項式回帰、サポートベクターレグレッション、Prophet、およびマルチレイヤーパーセプトロン（MLP））を適用した。MLPモデルは最小のRMSE（19.71）を達成し、2020年9月4日までに13,797件の確認済み症例を予測した。これは、公衆衛生対策にもかかわらず、依然として増加傾向にあることを示している。

ABSTRACT

In this article, we give visualization and different machine learning technics for two weeks and 40 days ahead forecast based on public data. On July 15, 2020, Senegal reopened its airspace doors, while the number of confirmed cases is still increasing. The population no longer respects hygiene measures, social distancing as at the beginning of the contamination. Negligence or tiredness to always wear the masks? We make forecasting on the inflection point and possible ending time.

研究の動機と目的

• 機械学習とデータ可視化を用いて、セネガルにおけるCOVID-19の感染経路を予測すること。
• 2週間および40日後の予測期間における、複数の機械学習モデルの確認済み症例予測性能を評価すること。
• 現在の傾向に基づいて、パンデミックの転換点および潜在的な終了時期を特定すること。
• 空港の再開および社会的距離の緩和に伴う公衆衛生意思決定を支援するため、信頼性の高い予測を提供すること。

提案手法

• 2020年3月2日から7月26日までの間、公式出典から日次確認済み症例、回復者、死亡者、検査件数のデータを収集および前処理した。
• 累積症例、割合、および活動中・終了済み・重症症例の分布を分析するためのデータ可視化技術を適用した。
• 5つの機械学習モデル（線形回帰、多項式回帰、サポートベクターレグレッション（SVR）、FacebookのProphet、マルチレイヤーパーセプトロン（MLP））を用いた。
• MLPおよびELMベースの時系列予測には、nnfor Rパッケージを用い、隠れ層ノード数を5、トレーニング繰り返し回数を20回とした。
• モデル比較のための平均二乗誤差（RMSE）を計算し、下限および上限を含む予測区間を生成した。
• 活動中症例を確認済み症例から回復者および死亡者を差し引いた値として定義し、時系列分析に用いた。

実験結果

リサーチクエスチョン

• RQ1 今後40日間で、セネガルにおける確認済みCOVID-19症例の推定動向はどのようなものか？
• RQ2 RMSEを基準にした場合、どの機械学習モデルがセネガルのCOVID-19症例数予測において最も正確な予測を提供するか？
• RQ3 セネガルにおけるパンデミックの転換点はいつごろ予想され、ピークはすでに通過したと見なせるか？
• RQ4 確認済み/検査数比、活動中/終了済み比などの異なるデータ比は、流行の進行をどのように解釈に影響を与えるか？

主な発見

• マルチレイヤーパーセプトロン（MLP）モデルは、RMSEが19.71と最小となり、線形回帰（1576.97）、多項式回帰（132.43）、SVR（4942.72）、Prophet（24.33）を上回る性能を示した。
• 2020年8月9日までに、MLPは確認済み症例が11,110件を超えると予測した。2020年9月4日までに、13,790件を超えると予測した。
• ProphetモデルはRMSEが24.33と高く、MLPに次いで優れた性能を示し、傾向の捉え込みに高い正確性を示した。
• 確認済み症例数/全検査数比は、日次検査数の変動にもかかわらず、6～10％の間で比較的安定しており、検出効率が一定であることを示唆している。
• 重症症例およびコミュニティ感染症例の数は、確認済み症例の1％未満（それぞれ0.54％および0.5％）にとどまり、全感染症例に比べて重症度が低いことを示している。
• 政府の対策にもかかわらず、7月26日時点で活動中症例は3,081件にのぼり、パンデミックはピークに達する兆しなしに、継続的な増加が予想された。