Deep-forest Classification-based Inference for Individual Level Infectious Disease Models
Infectious diseases spread rapidly and pose significant global health risks. Understanding their transmission dynamics is crucial, and individual-level models (ILMs) provide flexibility by incorporating covariates. ILMs have been expanded to geographically dependent ILMs (GD-ILMs), which account for spatially varying risk factors. Parameter estimation for these models is typically done using a Bayesian Markov Chain Monte Carlo (MCMC) framework, which is computationally expensive. In this work, we use deep-forest classification to bypass the computationally intensive likelihood calculations and investigate whether GD-ILMs can capture disease transmission dynamics. We validate our methods with simulated epidemic data and the U. K. 2001 foot-and-mouth disease outbreak, comparing with random forest classifiers. Our findings suggest deep-forest outperforms random forest in most settings, as it uses an additional layer to extract more information from predictor variables.
Inférence basée sur la classification deep-forest pour les modèles de maladies infectieuses au niveau individuel
Les maladies infectieuses se propagent rapidement et posent des risques importants pour la santé mondiale. Il est essentiel de comprendre leur dynamique de transmission, et les modèles au niveau individuel (ILM) offrent une certaine flexibilité en incorporant des covariables. Les ILM ont été étendus aux ILM géographiquement dépendants (GD-ILM), qui tiennent compte de facteurs de risque variant dans l'espace. L'estimation des paramètres de ces modèles se fait généralement à l'aide d'une chaîne de Monte Carlo bayésienne (MCMC), ce qui est coûteux en termes de calcul. Dans ce travail, nous utilisons la classification deep-forest pour contourner les calculs de vraisemblance, qui sont coûteux en temps de calcul, et nous étudions si les GD-ILM peuvent capturer la dynamique de transmission de la maladie. Nous validons nos méthodes à l'aide de données épidémiques simulées et de l'épidémie de fièvre aphteuse survenue au Royaume-Uni en 2001, en les comparant à des classificateurs de forêt aléatoire. Nos résultats suggèrent que la deep-forest est plus performante que la forêt aléatoire dans la plupart des cas, car elle utilise une couche supplémentaire pour extraire plus d'informations des variables prédictives.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English