数据获取
获取1990-2023年129个LMICs的癫痫患病率数据
从GBD 2023提取特定地点、年龄、性别和年份的癫痫患病率数据。
Forecasting the prevalence of epilepsy in low- and middle-income countries to 2050 using a hybrid deep neural network-transformer modeling framework: insights from the Global Burden of Disease Study 2023
基于公开数据库的分析预测研究,未提供明确的实验方法与验证过程。
129个低收入和中等收入国家的癫痫病例队列 全球疾病负担研究2023数据
使用GBD 2023数据,覆盖129个LMICs,1990-2023年 模型训练数据1990-2010,验证2011-2023 训练30,000个epoch,批大小4,AdamW优化器,初始学习率1e-4 不确定性传播采用1000次蒙特卡洛抽样 模型验证RMSE<0.001,MAPE<2.5%,R2>0.9999
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取1990-2023年129个LMICs的癫痫患病率数据
从GBD 2023提取特定地点、年龄、性别和年份的癫痫患病率数据。
开发混合DNN-Transformer模型以预测癫痫患病率
整合六种泊松回归模型,利用DNN和Transformer模块进行集成,训练模型并验证预测性能。
预测2024-2050年癫痫患病率
应用训练好的模型预测2024-2050年的患病率,并按年龄、性别、收入水平分层分析。
量化人口增长、老龄化和患病率变化对癫痫病例变化的贡献
使用Das Gupta分解法分析从2023年到2050年癫痫病例变化的驱动因素。
预测痴呆归因性继发性癫痫的患病率
利用痴呆患者中癫痫的汇总患病率和预测的痴呆患病率,独立预测痴呆归因性癫痫。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 统计分析 | Joinpoint回归程序5.0.1版 | US National Cancer Institute | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取 | 数据来源必须为GBD 2023,涵盖129个LMICs,1990-2023年的年龄、性别、位置特定患病率数据。 阅读提示:见Methods 2.1 Data sources |
| 模型训练 | 训练和验证时间段(1990-2010训练,2011-2023验证),训练参数:30,000 epochs、批大小4、AdamW优化器、学习率1e-4、权重衰减1e-5、变压器结构(4层、8头、维度512)等。 阅读提示:见Methods 2.3.1 Forecasting epilepsy prevalence using a hybrid DNN-Transformer model |
| 不确定性传播 | 1000次蒙特卡洛抽样的具体实施方式。 阅读提示:见Methods 2.3.1 Uncertainty propagation |
| 分解分析 | 使用Das Gupta分解法,需明确分解的时段(2023-2050)和变量(人口增长、老龄化、患病率变化)。 阅读提示:见Methods 2.4 Statistical analysis |
| 痴呆归因性癫痫预测 | 需核对采用的两项荟萃分析的具体来源和汇总患病率(3.17%),以及预测痴呆患病率的模型。 阅读提示:见Methods 2.3.2 Estimation of dementia-attributable secondary epilepsy prevalence |