Overarching Impact of Vaccination and Mental Health during COVID-19: A Multivariate Predictive Analysis

背景：近年來，COVID-19 已成為一種高度致命的疾病。它嚴重影響了全球人口，並在全球範圍內帶來了前所未有的挑戰，影響了公共衛生、經濟和心理健康。
目標：了解這些挑戰以及疫苗接種等緩解策略的影響，對於未來的防範和應對至關重要。本研究旨在對 COVID-19 疫情進行全面分析，重點關注趨勢、疫苗接種影響和心理健康結果。在成立的第一年，初步研究表明，透過時間序列資料分析趨勢（研究 1），然後進行全面的預測分析，以評估疫苗接種對 COVID-19 預測的影響（研究 2）。在我們的主要研究中，評估了 COVID-19 疫苗接種的有效性，發現全面接種疫苗可顯著降低男性和女性族群的確診病例和死亡人數（研究 3）。此外，我們還分析了橫斷面調查數據，以使用可解釋的人工智慧技術預測疫情期間的心理健康結果（研究 4）。
方法：本研究透過收集來自韓國和美國不同來源的數據，探討了 COVID-19 的主要挑戰。進行了資料預處理，包括合併和估算。在初步研究中，我們結合深度學習技術以及基於機器學習的統計時間序列模型進行預測分析。我們開發了一個深度學習長短期記憶 (LSTM) 模型，用於分析和評估疫苗接種在預測 COVID-19 確診病例和死亡人數方面的有效性。此外，為了評估預測的準確性和可靠性，我們使用了包括自回歸移動平均模型 (ARIMA) 和向量自回歸模型 (VAR) 在內的統計模型作為基準比較。 LSTM 模型已用於預測兩組族群（接種疫苗者和完全接種疫苗者）的確診病例。此外，我們還對來自加拿大安大略省 Flatten 計劃的 8,554 例完整病例進行了橫斷面分析，以評估心理健康方面的地理和社會人口差異。使用 LASSO 和 XGBoost 選取的特徵對邏輯迴歸、XGBoost 和隨機森林模型進行訓練。在實際的機器學習應用中，資料集以 80:20 的比例分為訓練集和測試集，並保留外部資料用於模型驗證。
結果：實驗結果表明，在韓國的趨勢分析中，堆疊長短期記憶 (stacked LSTM) 模型的表現優於自回歸移動平均 (ARIMA) 模型，確診病例減少了 84.25%，死亡病例減少了 38.13%。結果表明，基於較低的均方根誤差 (RMSE) 值，完全接種疫苗對預測確診病例數的影響比至少接種過一次疫苗的人高出 70%。在主要研究中，我們在不平衡和平衡資料集上比較了機器學習模型的表現。使用混淆矩陣評估了這些模型的有效性。我們計算了準確度、靈敏度、特異性和 ROC 曲線下面積 (AUC) 等指標來評估和展示模型的效能。 XGBoost 實現了最高的準確度 (66.80%)，並且在各個結果類別中表現均衡。 SHapley 加性解釋 (SHAP) 分析強調了吸菸、經濟困難和情緒支持需求對心理健康結果的影響。城市居民報告的心理健康負面影響發生率（51.5%）顯著高於農村人口（45.7%）。空間地圖進一步揭示了安大略省南部城市中心集中的心理困擾。
總而言之，這項研究為理解COVID-19的雙重負擔——其臨床和心理層面——提供了重要見解，同時也展示了高階預測模型在支持公共衛生決策方面的有效性。