ترجمه فارسی مقاله استفاده از رویکرد یادگیری ماشین چند خروجی و مشاهده پذیرهای پویا از ساختار شبکه برای بهینه سازی استراتژی های مداخله COVID-19

چکیده

The COVID-19 pandemic has necessitated the development of accurate models to predict disease dynamics and guide public health interventions. This study leverages the COVASIM agent-based model to simulate 1331 scenarios of COVID-19 transmission across various social settings, focusing on the school, community, and work contact layers. We extracted complex network measures from these simulations and applied deep learning algorithms to predict key epidemiological outcomes, such as infected, severe, and critical cases. Our approach achieved an R2 value exceeding 95%, demonstrating the model’s robust predictive capability. Additionally, we identified optimal intervention strategies using spline interpolation, revealing the critical roles of community and workplace interventions in minimizing the pandemic’s impact. The findings underscore the value of integrating network analytics with deep learning to streamline epidemic modeling, reduce computational costs, and enhance public health decision-making. This research offers a novel framework for effectively managing infectious disease outbreaks through targeted, data-driven interventions.

چکیده به فارسی (ترجمه ماشینی)

همه گیر COVID-19 نیاز به توسعه مدلهای دقیق برای پیش بینی پویایی بیماری و راهنمایی مداخلات بهداشت عمومی دارد.این مطالعه از مدل مبتنی بر عامل Covasim برای شبیه سازی سناریوهای 1331 انتقال COVID-19 در محیط های مختلف اجتماعی ، با تمرکز بر مدرسه ، جامعه و لایه های تماس کاری استفاده می کند.ما اقدامات شبکه پیچیده ای را از این شبیه سازی ها استخراج کردیم و الگوریتم های یادگیری عمیق را برای پیش بینی نتایج کلیدی اپیدمیولوژیک ، مانند موارد آلوده ، شدید و مهم استفاده کردیم.رویکرد ما به مقدار R2 بیش از 95 ٪ دست یافت و توانایی پیش بینی قوی مدل را نشان داد.علاوه بر این ، ما استراتژی های مداخله ای بهینه را با استفاده از درون یابی Spline شناسایی کردیم و نقش های مهم مداخلات جامعه و محل کار را در به حداقل رساندن تأثیر همه گیر آشکار کردیم.این یافته ها بر ارزش ادغام تجزیه و تحلیل شبکه با یادگیری عمیق برای ساده سازی مدل سازی اپیدمی ، کاهش هزینه های محاسباتی و تقویت تصمیم گیری در مورد بهداشت عمومی تأکید می کند.این تحقیق یک چارچوب جدید برای مدیریت مؤثر شیوع بیماری های عفونی از طریق مداخلات هدفمند و داده محور ارائه می دهد.