Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Utilisant l'AI et les grandes caractéristiques pour prévoir le futur écart des cas COVID-19

Pendant le COVID-19, l'artificial intelligence (AI) a été utilisé comme moyen d'améliorer des efforts diagnostiques, fournit des fournitures médicales et évalue même des facteurs de risque des prises de sang. Maintenant, l'artificial intelligence est utilisé comme moyen de prévoir les futurs cas COVID-19.

Les chercheurs d'université du Texas A&M, aboutis par M. Ali Mostafavi, ont développé un modèle de calcul profond-apprenant puissant qui emploie l'artificial intelligence et les grandes caractéristiques existantes liés aux activités et à la mobilité de population pour aider à prévoir le futur écart des cas COVID-19 à un niveau du comté.

Les chercheurs publiés leurs résultats dans IEEE atteignent.

L'écart des pandémies est influencé par des relations complexes liées aux caractéristiques comprenant la mobilité, les activités de population et les caractéristiques sociodémographiques. Cependant, les modèles épidémiologiques mathématiques particuliers représentent seulement un petit sous-ensemble de caractéristiques appropriées.

En revanche, le modèle profond-apprenant développé par Mostafavi, professeur agrégé dans le service de Zachry du bureau d'études civil et environnemental, et de son laboratoire d'UrbanResilience.AI, peut expliquer la relation complexe entre un plus grand numéro des caractéristiques pour prévoir la gamme de l'augmentation des infections COVID-19 en futurs jours.

Nous avons immédiatement réalisé le potentiel pour utiliser l'artificial intelligence de compléter les modèles épidémiologiques mathématiques existants. Nous vivons pendant l'ère de grandes caractéristiques et accroître ces grandes caractéristiques pendant les crises présente des grandes opportunités du développement des modèles et des outils caractéristique caractéristique d'aviser des polices. »

M. Ali Mostafavi, professeur agrégé, service de Zachry du bureau d'études civil et environnemental

Un modèle profond-apprenant est un sous-ensemble d'apprentissage automatique, un type d'artificial intelligence, où les systèmes informatiques, réseaux neuronaux appelés, apprennent d'un grand nombre de caractéristiques. Par chemin de fer du modèle profond-apprenant avec des caractéristiques d'une certaine période de temps, dans ce cas de mars à mai 2019, le modèle a recensé des caractéristiques pour prévoir les trajectoires d'une autre période de temps -- En juin 2019.

Le modèle profond-apprenant des chercheurs représente des caractéristiques telles que le mouvement des gens au sein d'une communauté, caractéristiques de dénombrement, social-distançant des caractéristiques, l'accroissement antérieur de compte de cas et la démographie sociale pour prévoir l'accroissement des caisses COVID-19 pour chaque comté avec l'exactitude de 64%, qui est deux fois l'exactitude d'un modèle sans formation. L'exactitude la plus grande du modèle avait lieu pendant sept jours dans le contrat à terme. L'exactitude a diminué l'autre dans le contrat à terme où le modèle a prédit.

« Un aspect de modéliser cela est utile n'est pas l'exactitude, mais évaluant quels facteurs pilotent les résultats, » Mostafavi a dit. « Ce modèle ne recense pas des stratégies spécifiques d'atténuation et de réaction, mais il peut aider à différents moments de voir quelles stratégies pourraient être efficaces basées sur les caractéristiques comté comté variées. »

Connaissant quelles caractéristiques du modèle exercent la plupart d'effet significatif en augmentation des cas, les fonctionnaires peuvent aviser les polices se développantes qui visent ces facteurs. Si la caractéristique la plus critique pour un comté est mobilité, les fonctionnaires peuvent mettre en application des polices comme des commandes au foyer.

Le modèle peut également offrir l'analyse dans l'efficacité des polices après qu'ils aient déjà été en place. Mostafavi a découvert cela combinaison, les commandes initiales de réduction de course étaient efficace -- les gens de moins de comtés peuplés se sont déplacés moins aux villes élevé-peuplées, mais l'ampleur de la course dans les comtés en masse peuplés n'a pas changé rigoureusement.

Il a dit que l'influence des caractéristiques peut changer au fil du temps pour un comté et varier du comté au comté. Au début de la pandémie, les chercheurs ont vu des facteurs course course et liés à la mobilité étaient les facteurs prédictifs importants des cas, mais pendant que le temps continuait, ils voyaient que d'autres caractéristiques telles que la course aux remarques d'intérêts et des caractéristiques démographiques sociales étaient plus importantes.

Les résultats sont que l'atténuation universelle est compliquée, et les polices ne sont pas des ajustements tous d'une taille.

À l'avenir, le laboratoire de Mostafavi emploiera les ensembles de données neufs pour développer différents types de modèles. En plus du modèle prévisionnel de contrôle de national-écaille actuelle, l'équipe travaille actuel sur un modèle renseignement renseignement artificiel pour le contrôle de ville-écaille pour prévoir des cas au niveau de code postal. D'une manière primordiale, ils veulent prévoir les facteurs qui influencent chaque code postal de sorte que les fonctionnaires puissent explorer des polices d'emplacement-détail. Mostafavi a dit au lieu des restaurants fermants dans un comté entier, fonctionnaires peut fermer des restaurants en seulement codes postaux à haut risque.

Ses expositions grands caractéristiques et artificial intelligence de recherches ont le potentiel de jouer une fonction clé en améliorant le contrôle, la prévision et l'élaboration des politiques universels.

Les « opportunités important existent utilisant ces grandes caractéristiques et AI pour contenir l'universel existant et mieux pour préparer également et atténuer les futures pandémies, » Mostafavi a dit.

Source:
Journal reference:

Ramchandani, A., et al. (2020) DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and Their Interactions. IEEE Access. doi.org/10.1109/ACCESS.2020.3019989.