Résumé IA · arXiv: 2611.16935v1 · cs.AI

Universal Infectious Disease Forecasting with Mantis 2

Carson Dudley, Reiden Magdaleno, Yutong Bi, Anthony Valencia, Xiaofeng Liu, Marisa Eisenberg
Article original Soumis à arXiv le 12 Nov. 2026 Licence : CC BY-NC-ND 4.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Mantis 2 combine simulations et données observées pour prévoir plusieurs indicateurs infectieux jusqu’à 16 semaines, avec de bonnes performances rétrospectives et un avantage des simulations lorsque l’historique local est court.

Question

L’étude évalue si un modèle unique peut prévoir divers résultats de maladies infectieuses sur plusieurs horizons, et dans quelles conditions les trajectoires simulées améliorent les prévisions par rapport aux seules observations. Elle examine notamment comment cet apport varie selon la durée de l’historique de surveillance disponible.

Méthode

Mantis 2, initialisé avec les poids de Chronos-2, est entraîné sur plus de 1 000 scénarios infectieux observés et 20 000 scénarios simulés; il utilise jusqu’à 512 semaines d’historique et prévoit jusqu’à six variables sur 16 semaines. Les auteurs évaluent ses prévisions rétrospectives sur 30 tâches maladie-lieu, en les comparant à six modèles, et mesurent l’exactitude probabiliste avec le WIS ainsi que la prédiction des pics sur 3 725 pics observés. Pour étudier le rôle des simulations, ils entraînent 11 mélanges de données, de 0 à 100 % de données simulées, puis testent cinq durées d’historique, de 8 à 104 semaines.

Résultats

  • Résultat Mantis 2 obtient le meilleur WIS agrégé parmi les modèles comparés sur les horizons de 1–4, 1–8 et 1–16 semaines.
    Voir le passage dans l’article
    Mantis 2 achieved the lowest aggregate log-WIS across all models for all three horizon ranges (Figure 2A-C).
  • Résultat Sur 3 725 pics observés, Mantis 2 en manque environ 30 % de moins que Chronos-2, et ses prédictions réussies précèdent le pic de 6,43 semaines en moyenne.
    Voir le passage dans l’article
    Relative to Chronos-2, Mantis 2 reduced the proportion of missed peaks by roughly 30%. Among peaks each model successfully anticipated, the mean lead time of the first correct prediction was 6.43 weeks for Mantis 2 and 6.32 weeks for Chronos-2.
  • Résultat Avec huit semaines d’historique, les modèles utilisant 80 % ou 90 % de données simulées améliorent le WIS médian par rapport à l’entraînement sur données réelles seules.
    Voir le passage dans l’article
    With only eight weeks of observations, the 80% and 90% synthetic models improved median WIS over real-only training by 7.9% and 9.3%, respectively.
  • Résultat L’avantage médian des mélanges riches en simulations s’atténue lorsque l’historique disponible atteint 104 semaines.
    Voir le passage dans l’article
    With 104 weeks, their median improvements were instead $-0.5\%$ and $-1.2\%$.
  • Résultat Les entraînements riches en simulations sont associés à une fréquence plus faible de prévisions extrêmement erronées.
    Voir le passage dans l’article
    At ten times the reference mean, the rates were 0.060%, 0.017%, and 0.017%, respectively (Figure 4F).

Limites

  • L’évaluation est rétrospective et ne démontre pas que de meilleurs scores de prévision conduisent à de meilleures décisions de santé publique.
    Voir le passage dans l’article
    Our evaluation of Mantis 2 is retrospective, and improved forecast scores do not by themselves demonstrate improved public health decisions.
  • Les données observées et les simulations couvrent un ensemble sélectionné de maladies, de lieux et de processus, ce qui ne garantit pas la performance pour tout nouvel agent pathogène ou système de surveillance.
    Voir le passage dans l’article
    Both the observational training data and the mechanistic simulations represent selected diseases, locations, and processes; their coverage cannot guarantee performance for every emerging pathogen or surveillance system.
  • Les expériences sur la durée d’historique tronquent des séries déjà établies et ne testent pas directement les conditions rencontrées au début d’une nouvelle épidémie.
    Voir le passage dans l’article
    These experiments isolate the effect of having fewer observations, but a short history drawn from an established series does not necessarily represent the dynamics or uncertainty encountered early in a new outbreak.

Portée

Les auteurs présentent Mantis 2 comme un modèle commun qui pourrait réduire le besoin de systèmes distincts par maladie ou lieu et fournir des prévisions multivariées sur un horizon plus long. Leurs expériences indiquent que les simulations mécanistes peuvent apporter un a priori utile lorsque les observations locales sont limitées, sans remplacer les données observées.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : prévision épidémiologique simulations mécanistes maladies infectieuses prévisions probabilistes pics épidémiques

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
L’article étudie comment associer des simulations mécanistes à des données épidémiologiques observées pour produire des prévisions fiables, même lorsque les séries locales sont de longueur variable. Il présente Mantis 2, un modèle généraliste conçu pour prévoir plusieurs indicateurs de maladies infectieuses sans entraînement spécifique à chaque maladie ou lieu. Les auteurs examinent également si les simulations sont particulièrement utiles lorsque l’historique disponible au moment de la prévision est limité. Mantis 2 repose sur l’architecture Chronos-2. Son entraînement utilise plus de 1 000 scénarios réels et environ 20 000 scénarios simulés par Reservoir, un simulateur mécaniste couvrant différents modes de transmission, paramètres épidémiologiques, interventions et effets de la surveillance, notamment les retards de déclaration et le sous-dénombrement. Le modèle peut intégrer jusqu’à 512 semaines d’historique et de une à six variables, puis produire des prévisions probabilistes jusqu’à 16 semaines à l’avance. Pendant l’entraînement, la proportion de simulations est d’abord élevée, puis leur poids diminue progressivement jusqu’à ce que seules les données observées soient utilisées. Les auteurs évaluent Mantis 2 sur 30 tâches de prévision portant sur 23 maladies, dans 11 pays et plusieurs catégories de transmission. Ils le comparent à Chronos-2, à un réseau LSTM, à des méthodes statistiques comme ETS et SARIMA, ainsi qu’à des prévisions saisonnières et persistantes. La qualité des prévisions probabilistes est évaluée à l’aide du score WIS, calculé sur les valeurs transformées par log(1+y). Mantis 2 obtient le meilleur score agrégé pour les trois horizons étudiés : 0,209 pour les semaines 1 à 4, 0,284 pour les semaines 1 à 8 et 0,370 pour les semaines 1 à 16. Les scores correspondants de Chronos-2 sont de 0,231, 0,311 et 0,398. Mantis 2 se classe premier sur 22 des 29 jeux de données comparables et deuxième sur les sept autres. Dans une comparaison restreinte aux prévisions à huit semaines et à une seule cible, il surpasse également son prédécesseur : le WIS agrégé diminue de 31,42 % sur 27 jeux de données. Pour évaluer la prévision des pics, les auteurs analysent 3 725 pics observés. Une prévision est considérée comme correcte si le pic prédit survient à deux semaines ou moins du pic réel. Mantis 2 anticipe correctement plus de 80 % des pics, contre 73 % pour Chronos-2, soit environ 30 % de pics manqués en moins. Pour les pics correctement anticipés, le premier avertissement juste survient en moyenne 6,43 semaines à l’avance avec Mantis 2. Cette moyenne ne porte que sur les pics correctement anticipés : elle ne constitue donc pas une comparaison appariée du délai d’alerte. Des expériences distinctes portent sur onze proportions fixes de données simulées, allant de 0 à 100 %, et sur des historiques de 8 à 104 semaines. Avec huit semaines d’historique, les modèles entraînés avec 80 % et 90 % de simulations réduisent le WIS médian de 7,9 % et de 9,3 %, respectivement, par rapport à un entraînement fondé uniquement sur des données observées.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero Guide Zotero
Alertes de citation Guide des alertes de citations
Qui travaille dessus ?

Parmi les 23 articles autour de celui-ci, le nom qui revient le plus : C. Dudley (2 articles)

5 autres personnes en signent plusieurs. La carte complète ajoute leurs institutions et leurs approches, d’après les articles des dernières années.

Continuer avec Google Créez un compte gratuit : votre première carte est offerte
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 16 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas · En recevoir une par email gratuitement

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Très proche Prolonge cet article Cité par cet article Utilisé en profondeur par cet article
    Mantis: A foundation model for mechanistic disease forecasting.
    C. Dudley, Reiden Magdaleno, Christopher Harding et al. · 2025 · Proceedings of the National Academy of Sciences of the United States of America · cité 8 fois · Pas encore résumé

    Mantis, modèle fondé uniquement sur des simulations mécanistes, sert de point de départ à Mantis 2, qui ajoute des données observées et étudie leur équilibre avec les simulations.

    Résumé scientifique

    Infectious disease forecasting in novel outbreaks or low-resource settings is hampered by the need for large disease and covariate datasets, bespoke training, and expert tuning, all of which can hinder rapid generation of forecasts for new settings. To address these challenges, we developed Mantis, a foundation model trained entirely on mechanistic simulations, which enables out-of-the-box forecasting across diseases, regions, and outcomes, even in settings with limited historical data. We evaluated Mantis against 78 forecasting models across 16 diseases with diverse transmission modes, assessing both point forecast accuracy [mean absolute error (MAE)] and probabilistic performance (weighted…

  2. Proche Autre approche du problème Cité par cet article
    Improving outbreak forecasts through model augmentation
    Graham C Gibson, S. Fox, E. Javan et al. · 2025 · Proceedings of the National Academy of Sciences of the United States of America · cité 8 fois · Pas encore résumé

    Epimodulation incorpore des principes épidémiologiques à des modèles de prévision pour améliorer les prévisions de pics de COVID-19 et de grippe.

    Résumé scientifique

    Significance Reliable outbreak forecasting is essential for public health decision-making, yet traditional methods often falter during critical epidemiological time periods such as the peak of an epidemic. This work introduces epimodulation, a forecasting approach that integrates epidemiological principles into a wide-range of forecasting models to enhance their performance. The approach increases model accuracy by up to 55% during epidemic peaks for COVID-19 and influenza hospital admission forecasts, without reducing accuracy at other times. Due to its flexible and straightforward design, epimodulation is a powerful tool for enhancing forecast performance, boosting healthcare preparedness …

  3. Proche Même question Cité par cet article
    A collaborative multiyear, multimodel assessment of seasonal influenza forecasting in the United States
    N. Reich, Logan C. Brooks, S. Fox et al. · 2019 · Proceedings of the National Academy of Sciences of the United States of America · cité 340 fois · Pas encore résumé

    Cette comparaison collaborative évalue des prévisions en temps réel de la grippe saisonnière aux États-Unis, comme Mantis 2 évalue des prévisions de maladies infectieuses.

    Résumé scientifique

    Significance Accurate prediction of the size and timing of infectious disease outbreaks could help public health officials in planning an appropriate response. This paper compares approaches developed by five different research groups to forecast seasonal influenza outbreaks in real time in the United States. Many of the models show more accurate forecasts than a historical baseline. A major impediment to predictive ability was the real-time accuracy of available data. The field of infectious disease forecasting is in its infancy and we expect that innovation will spur improvements in forecasting in the coming years. Influenza infects an estimated 9–35 million individuals each year in the Un…

  4. Proche Même question Cité par cet article
    An open challenge to advance probabilistic forecasting for dengue epidemics
    M. Johansson, K. Apfeldorf, Scott Dobson et al. · 2019 · Proceedings of the National Academy of Sciences of the United States of America · cité 218 fois · Pas encore résumé

    Ce défi compare les prévisions probabilistes d’épidémies de dengue au Pérou et à Porto Rico, tandis que Mantis 2 évalue des prévisions pour plusieurs maladies et lieux.

    Résumé scientifique

    Significance Forecasts routinely provide critical information for dangerous weather events but not yet for epidemics. Researchers develop computational models that can be used for infectious disease forecasting, but forecasts have not been broadly compared or tested. We collaboratively compared forecasts from 16 teams for 8 y of dengue epidemics in Peru and Puerto Rico. The comparison highlighted components that forecasts did well (e.g., situational awareness late in the season) and those that need more work (e.g., early season forecasts). It also identified key facets to improve forecasts, including using multiple model ensemble approaches to improve overall forecast skill. Future infectiou…

  5. Proche Même question Cité par cet article
    Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
    H. Topazian, T. Sheets, R. Gruninger et al. · 2026 · medRxiv · preprint, non relu par les pairs · cité 1 fois · Pas encore résumé

    Cette étude évalue la prévision des hospitalisations dues au SARS-CoV-2 et à la grippe, en examinant comment les données de surveillance influencent les performances.

    Résumé scientifique

    Since the COVID-19 pandemic, forecasting hubs and non-traditional respiratory disease surveillance streams have become increasingly common. However, many forecasting approaches assume that relationships between surveillance predictors and disease outcomes remain stable over time and that incorporating additional historical data will improve forecast performance. To evaluate these assumptions in a real-world setting, we developed and evaluated forecasts of SARS-CoV-2 and influenza hospitalizations in Utah using syndromic surveillance, test positivity, and wastewater data. Rather than identifying a single, best-performing model, we examined whether relationships between surveillance predictors…

  6. Proche Contexte plus large
    Infectious Disease Forecasting via Physics-Informed Machine Learning
    Joseph Hart, Hudson Smith, L. Rennert et al. · 2026 · bioRxiv · preprint, non relu par les pairs · Pas encore résumé

    Cet article présente les limites des approches statistiques, mécanistes et d’apprentissage automatique pour prévoir la transmission des maladies infectieuses.

    Résumé scientifique

    Infectious disease transmission evolves as a dynamic process shaped by biological mechanisms, population behavior, and intervention policies, yet public health responses are often driven by lagging indicators. Accurate short- and long-term disease forecasting is essential for the timely deployment of intervention strategies, healthcare capacity planning, and uncertainty-aware, risk-informed decision-making. To address this challenge, three broad classes of forecasting models have traditionally been used: statistical, machine learning, and mechanistic approaches. However, each of these modeling paradigms faces fundamental limitations. In particular, traditional statistical models often lack t…

  7. Proche Même question
    Foundation models for time series forecasting and policy evaluation in infectious disease epidemics.
    Suprabhath Kalahasti, Benjamin Faucher, Bo-Xuan Wang et al. · 2026 · Epidemics · cité 9 fois · Pas encore résumé

    Cette étude teste des modèles de fondation pour prévoir plusieurs épidémies et évaluer des politiques, notamment dans des contextes aux données limitées.

    Résumé scientifique

    Epidemic forecasting and public health policy evaluation rely on mathematical models, but traditional approaches struggle in data-limited settings. We evaluated whether transformer-based, foundation Artificial Intelligence models can serve as a new epidemic modeling framework. We tested five models across pathogens and locations, including influenza, respiratory syncytial virus (RSV), chickenpox, dengue. Foundation models demonstrated strong accuracy in short-term forecasts and predicted multiple epidemic waves. They outperformed standard implementations of established models on limited and irregular data. We showed foundation models can generate scenarios for policy evaluation, estimating t…

  8. Proche Même question
    Foundation time series models for forecasting and policy evaluation in infectious disease epidemics
    Suprabhath Kalahasti, Benjamin Faucher, Bo-Xuan Wang et al. · 2025 · medRxiv · preprint, non relu par les pairs · cité 10 fois · Pas encore résumé

    Cette étude évalue cinq modèles de fondation pour prévoir des tendances infectieuses et soutenir l’évaluation des politiques dans diverses maladies et divers lieux.

    Résumé scientifique

    Epidemic forecasting and policy evaluation rely on mathematical models to predict infectious disease trends and assess the impact of public health policies. Traditional models typically require extensive epidemiological data and may struggle in data-limited settings. Transformer-based, foundation AI models have demonstrated strong predictive capabilities in various time series applications. We investigated whether they can be the basis of a new epidemic modeling framework. We evaluated five foundation models - TabPFN-TS, TimeGPT, TimesFM, Lag-Llama, and Chronos - across diverse pathogens, diseases and locations, including influenza-like illness, RSV, chickenpox, dengue, COVID-19 and neonatal…

Les travaux antérieurs sur lesquels il s’appuie

  1. Proche Contexte plus large
    Applying infectious disease forecasting to public health: a path forward using influenza forecasting examples
    Chelsea S. Lutz, Mimi P. Huynh, Monica Schroeder et al. · 2019 · BMC Public Health · cité 158 fois · Pas encore résumé

    Cet article décrit comment intégrer les prévisions infectieuses à la décision de santé publique, en s’appuyant sur les défis de prévision de la grippe.

    Résumé scientifique

    Infectious disease forecasting aims to predict characteristics of both seasonal epidemics and future pandemics. Accurate and timely infectious disease forecasts could aid public health responses by informing key preparation and mitigation efforts. For forecasts to be fully integrated into public health decision-making, federal, state, and local officials must understand how forecasts were made, how to interpret forecasts, and how well the forecasts have performed in the past. Since the 2013–14 influenza season, the Influenza Division at the Centers for Disease Control and Prevention (CDC) has hosted collaborative challenges to forecast the timing, intensity, and short-term trajectory of infl…

  2. Proche Contexte plus large
    Real-time Epidemic Forecasting: Challenges and Opportunities
    A. Desai, M. Kraemer, S. Bhatia et al. · 2019 · Health Security · cité 141 fois · Pas encore résumé

    Cet article examine les défis et les besoins en données pour prévoir les épidémies en temps réel et éclairer les interventions de santé publique.

    Résumé scientifique

    Infectious disease outbreaks play an important role in global morbidity and mortality. Real-time epidemic forecasting provides an opportunity to predict geographic disease spread as well as case counts to better inform public health interventions when outbreaks occur. Challenges and recent advances in predictive modeling are discussed here. We identified data needs in the areas of epidemic surveillance, mobility, host and environmental susceptibility, pathogen transmissibility, population density, and healthcare capacity. Constraints in standardized case definitions and timely data sharing can limit the precision of predictive models. Resource-limited settings present particular challenges f…

  3. Apparenté Données, outil ou méthode en commun
    Reservoir: A Large-Scale Simulated Dataset for Training and Evaluating Epidemiological Models
    C. Dudley, Reiden Magdaleno, Marisa C. Eisenberg · 2026 · cité 1 fois · Pas encore résumé

    Reservoir fournit un simulateur et un jeu de données épidémiques simulées à grande échelle, ressource pertinente pour entraîner des modèles comme Mantis 2.

    Résumé scientifique

    Large-scale, standardized datasets have driven many advances in AI-based scientific modeling, from protein structure prediction to natural language processing. Infectious disease epidemiology is increasingly adopting AI methods for forecasting, surveillance, and outbreak analytics, but the time-series data available to train them remains orders of magnitude smaller than the corpora behind the advances seen in other fields. Because the scope of real-world epidemiological data cannot practically reach the scale needed to train truly large-scale AI methods, simulated data provides a possible alternative. Here we introduce Reservoir, a large open simulator and dataset of realistic epidemic simul…

  4. Apparenté Contexte plus large
    Appropriate Models for the Management of Infectious Diseases
    H. Wearing, P. Rohani, M. Keeling · 2005 · PLoS Medicine · cité 613 fois · Pas encore résumé

    Cet article analyse comment les hypothèses sur les périodes latentes et infectieuses biaisent les modèles mathématiques de maladies infectieuses.

    Résumé scientifique

    Background Mathematical models have become invaluable management tools for epidemiologists, both shedding light on the mechanisms underlying observed dynamics as well as making quantitative predictions on the effectiveness of different control measures. Here, we explain how substantial biases are introduced by two important, yet largely ignored, assumptions at the core of the vast majority of such models. Methods and Findings First, we use analytical methods to show that (i) ignoring the latent period or (ii) making the common assumption of exponentially distributed latent and infectious periods (when including the latent period) always results in underestimating the basic reproductive ratio…

  5. Apparenté Autre approche du problème
    A modelling approach for correcting reporting delays in disease surveillance data
    L. Bastos, T. Economou, M. Gomes et al. · 2017 · Statistics in Medicine · cité 121 fois · Pas encore résumé

    Cette approche bayésienne corrige les retards de déclaration dans les données de surveillance et quantifie l’incertitude pour le suivi des épidémies.

    Résumé scientifique

    One difficulty for real‐time tracking of epidemics is related to reporting delay. The reporting delay may be due to laboratory confirmation, logistical problems, infrastructure difficulties, and so on. The ability to correct the available information as quickly as possible is crucial, in terms of decision making such as issuing warnings to the public and local authorities. A Bayesian hierarchical modelling approach is proposed as a flexible way of correcting the reporting delays and to quantify the associated uncertainty. Implementation of the model is fast due to the use of the integrated nested Laplace approximation. The approach is illustrated on dengue fever incidence data in Rio de Jane…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 16 novembre 2026.

Le guide illustré des articles autour d’un article

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.