Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Facendo uso di AI e di grandi dati per predire la diffusione futura dei casi COVID-19

Durante il COVID-19, l'intelligenza artificiale (AI) è stata usata migliorare gli sforzi diagnostici, consegna i rifornimenti medici e perfino valuta i fattori di rischio dalle analisi del sangue. Ora, l'intelligenza artificiale sta usanda prevedere i casi futuri COVID-19.

I ricercatori di Texas A&M University, piombo dal Dott. Ali Mostafavi, hanno sviluppato un modello di calcolo d'apprendimento potente che usa l'intelligenza artificiale e grandi i dati attuali relativi alle attività ed alla mobilità di popolazione per contribuire a predire la diffusione futura dei casi COVID-19 ad un livello della contea.

I ricercatori hanno pubblicato i loro risultati in IEEE Access.

La diffusione delle pandemie è influenzata dalle relazioni complesse relative alle funzionalità compreso mobilità, attività di popolazione e le caratteristiche sociodemografiche. Tuttavia, i modelli epidemiologici matematici tipici rappresentano soltanto un piccolo sottoinsieme delle funzionalità pertinenti.

Al contrario, il modello d'apprendimento sviluppato da Mostafavi, professore associato nel dipartimento di Zachry di assistenza tecnica civile ed ambientale e del suo laboratorio di UrbanResilience.AI, può spiegare la relazione complessa fra un più grande numero delle funzionalità per prevedere l'intervallo di aumento nelle infezioni COVID-19 nei giorni futuri.

Immediatamente abbiamo realizzato il potenziale per l'uso dell'intelligenza artificiale complementare i modelli epidemiologici matematici attuali. Stiamo vivendo nell'era di grandi dati e fare leva questi grandi dati durante le crisi sta offrendo i gran opportunità dello sviluppo dei modelli e dagli degli strumenti guidati da dati informare le polizze.„

Dott. Ali Mostafavi, professore associato, dipartimento di Zachry di assistenza tecnica civile ed ambientale

Un modello d'apprendimento è un sottoinsieme dell'apprendimento automatico, un tipo di intelligenza artificiale, dove i sistemi informatici, chiamati le reti neurali, imparano da un gran numero di dati. Preparando il modello d'apprendimento con i dati a partire da un determinato periodo di tempo, in questo caso da marzo al maggio 2019, il modello ha identificato le funzionalità per predire le traiettorie di un altro periodo di tempo -- Giugno 2019.

Il modello d'apprendimento dei ricercatori rappresenta le funzionalità quale il movimento della gente all'interno di una comunità, dati censuali, sociale-distanzianti i dati, la crescita passata di conteggio di caso ed i dati demografici del sociale per predire la crescita delle casse COVID-19 per ogni contea con accuratezza di 64%, che è due volte l'accuratezza di un modello non addestrato. La più grande accuratezza del modello aveva luogo per i sette giorni nel futuro. L'accuratezza ha fatto diminuire l'ulteriore nel futuro che il modello ha predetto.

“Un aspetto di modellistica del quello è utile non è l'accuratezza, ma valutando che fattori determinano i risultati,„ Mostafavi ha detto. “Questo modello non identifica le strategie specifiche di risposta e di diminuzione, ma può aiutare ai punti temporali determinati differenti vedere quali strategie potrebbero essere efficace basate sulle varie delle funzionalità livelle della contea.„

Conoscendo quali funzionalità del modello hanno l'effetto più significativo sull'aumento dei casi, i funzionari possono informare le polizze di sviluppo che mirano a quei fattori. Se la funzionalità più critica per una contea è mobilità, i funzionari possono applicare le polizze come gli ordini casalinghi.

Il modello può anche offrire la comprensione nell'efficacia delle polizze dopo che già sono esistiti. Mostafavi ha scoperto quello camice, gli ordini iniziali di riduzione di viaggio era efficace -- la gente da meno contee popolate ha viaggiato più di meno alle città alto-popolate, ma le dimensioni del viaggio in contee densamente popolate non sono cambiato drasticamente.

Ha detto che l'influenza delle funzionalità può cambiare col passare del tempo per una contea e variare dalla contea alla contea. All'inizio della pandemia, i ricercatori hanno veduto i fattori in relazione con il viaggio e in relazione con la mobilità erano i preannunciatori importanti dei casi, ma mentre il tempo ha acceso, hanno veduto che altre funzionalità quale il viaggio ai punti degli interessi e delle caratteristiche demografiche sociali erano più importanti.

Il risultato è che la diminuzione pandemica è complicata e le polizze non sono le misure tutte di una dimensione.

In futuro, il laboratorio di Mostafavi userà i nuovi insiemi di dati per sviluppare i tipi differenti di modelli. Oltre al modello premonitore di sorveglianza del nazionale-disgaggio corrente, il gruppo corrente sta lavorando ad un ad un modello basato a intelligenza artificiale per sorveglianza del città-disgaggio per predire i casi al livello di codice postale. Più d'importanza, vogliono predire i fattori che influenzano ogni codice postale in moda da potere esplorare i funzionari le polizze posizione-specifiche. Mostafavi ha detto invece dei ristoranti di chiusura in un'intera contea, funzionari può chiudere i ristoranti soltanto nei codici postali ad alto rischio.

I suoi dati di manifestazioni della ricerca grandi ed intelligenza artificiale hanno il potenziale di svolgere un ruolo chiave nel miglioramento la sorveglianza, la previsione e dello sviluppo politico pandemici.

“Le opportunità significative esistono facendo uso di questi grandi dati ed AI per contenere il pandemico attuale ed anche meglio per preparare ed attenuare le pandemie future,„ Mostafavi ha detto.

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.