抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
【背景】アメリカ合衆国におけるCOVID-19の影響は,不均一であり,いくつかの区域は,他者より,より急速な広がりとより大きな死亡率を示した。COVID-19のリスクが空間的に定義され,どの特徴が上昇したCOVID-19広がりと死亡率と最も密接に関連しているかを定義するために,地理的にリンクされたデータを使用した。方法:U.S.郡からの地理的に制約された社会的,経済的,政治的,および人口統計的情報について,著者らは,パンデミックの初期および全国相の間の郡レベルケースおよび死亡数を予測するために,構造化Gauss処理を用いた計算フレームワークを開発した。最も予測的な空間特徴を同定した後,COVID-19拡散と最も密接に関連する特徴グループを同定するために,教師なしクラスタリングアルゴリズム,トピックモデリングを適用した。調査結果は,空間特徴の包含が,全ピアソン相関係数(PCC)とR ̄2がそれぞれ初期相で0.96と0.84,全国相で0.95と0.87で,非常に良くモデル化されることを見出した。最も頻繁に選択した特徴は,都市性と2020年の住宅の投票限界と関連していた。死亡数を用いて訓練された場合,モデルは,最も高頻度に選択されたそれらに対する加齢計量の追加によって,類似の性能計量を明らかにした。トピックモデリングは,類似の社会経済的および人口統計学的特徴を有する郡が一緒にグループ化する傾向があり,いくつかの特徴集合がCOVID-19動力学と関連することを示した。これらのトピックスに基づく郡の教師なしクラスタリングは,著しく異なるCOVID-19スプレッドを経験した郡のグループを明らかにした。解釈間特徴は,郡間のCOVID-19動力学における変動の大部分を説明した。トピックモデリングは,共線特徴をグループ化するために使用でき,疫学研究で類似の特徴を持つ郡を同定することができる。【JST・京大機械翻訳】
