机器学习模型加速美国小区域慢性病估计

研究人员开发了机器学习模型来解决慢性病小区域估计（SAE）的滞后问题。通过学习频繁更新的区域级预测变量与现有SAE输出之间的关系，这些模型可以生成及时的估计。该研究评估了美国十种慢性病的县级SAE的各种全局和地理加权机器学习模型，发现地理加权随机森林和地理加权回归等地理加权框架为快速SAE生成提供了可扩展的解决方案。 AI

影响 这些机器学习模型为生成及时的健康结果数据提供了一个可扩展的解决方案，有助于更快地识别健康差距。

排序理由 该集群包含一篇详细介绍机器学习在健康结果估计中应用的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arterial hypertension
• arthritis
• asthma
• Cancer
• CDC PLACES
• chronic obstructive pulmonary disease
• diabetes
• geographically weighted random forest
• Geographically Weighted Regression: The Analysis of Spatially Varying Relationships
• heart disease
• major depressive disorder
• stroke
• US

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →