epidemiology
PulseAugur coverage of epidemiology — every cluster mentioning epidemiology across labs, papers, and developer communities, ranked by signal.
-
新方法简化复杂模型的因果数据融合
研究人员引入了因果数据融合的新方法，这是一种结合观察数据和实验数据以识别因果效应的技术。所提出的方法利用剪枝和聚类操作作为预处理步骤，以管理与do-calculus相关的计算复杂性，特别是在变量众多和因果图复杂的情况下。这些方法旨在减小模型尺寸同时保留关键特征，并在流行病学和社会科学领域进行了应用演示。
-
新的RuleSHAP框架增强了流行病学数据的机器学习推理能力
研究人员开发了一个名为RuleSHAP的新框架，以改进流行病学中机器学习模型的统计推理。该框架整合了贝叶斯回归、树集成和Shapley值，为特征效应提供不确定性量化，这在当前的机器学习应用中常常缺失。RuleSHAP可以检测非线性和交互效应，提供个体层面的不确定性估计，并已在模拟数据和流行病学队列研究中得到验证，用于识别与高胆固醇和血压相关的效应。
-
新研究发现AI模型在科学文献综合方面存在困难
研究人员开发了AgentSLR，一个用于评估执行科学知识综合的AI模型的新评估框架，特别关注流行病学系统文献综述。该框架包含一个包含16,000多篇文章的数据集以及综述过程中每个阶段的指标。对五个领先的推理模型进行的测试显示，没有一个模型在所有任务上都表现出色，其中结构化数据提取被证明是一个重大挑战，因为在该领域没有模型的F1分数高于0.67。研究结果表明，目前的AI模型在流行病学等可能影响公共政策的领域中尚不足以进行无监督使用。
-
使用对抗性随机森林的合成数据可准确重现流行病学发现
一项发表在arXiv上的新研究提出，对抗性随机森林（ARF）是一种生成合成流行病学数据的有效方法。该研究使用ARF生成的数据复制了六项现有流行病学研究的分析，发现结果与原始发现一致。与常用的数据合成器相比，ARF在效用、隐私保护和计算效率方面表现更优。
-
谷歌研究利用AI工具加速科学发现
谷歌研究人员正在利用一款名为经验研究助手（Empirical Research Assistance, ERA）的AI工具来加速各个领域的科学发现。ERA已被用于生成专家级的经验软件，应用于流行病学、宇宙学、大气监测和神经科学等领域。在流行病学方面，ERA在预测COVID-19、流感和RSV住院人数方面，已显示出与现有工具相当或更优的表现，并已提交给公开排行榜，取得了优异的成绩。该工具还在探索其潜力，以从数据中解锁更深层次的见解，并发…