Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Usando o AI e dados grandes para prever a propagação futura dos casos COVID-19

Durante COVID-19, a inteligência artificial (AI) foi usada aumentar esforços diagnósticos, entrega subministros médicos e avalia mesmo factores de risco das análises de sangue. Agora, a inteligência artificial está sendo usada prever os casos COVID-19 futuros.

Os pesquisadores da universidade de Texas A&M, conduzidos pelo Dr. Ali Mostafavi, desenvolveram um modelo computacional deaprendizagem poderoso que usasse a inteligência artificial e os dados grandes existentes relativos às actividades e à mobilidade da população para ajudar a prever a propagação futura dos casos COVID-19 a nível do condado.

Os pesquisadores publicaram seus resultados no acesso de IEEE.

A propagação das pandemias é influenciada pelos relacionamentos complexos relativos às características que incluem a mobilidade, as actividades da população e características sociodemográficas. Contudo, os modelos epidemiológicos matemáticos típicos esclarecem somente um subconjunto pequeno de características relevantes.

Ao contrário, o modelo deaprendizagem desenvolvido por Mostafavi, professor adjunto no departamento de Zachry da engenharia civil e ambiental, e do seu laboratório de UrbanResilience.AI, pode explicar o relacionamento complexo entre um número maior de características para prever a escala do aumento nas infecções COVID-19 nos dias futuros.

Nós realizamos imediatamente o potencial para empregar a inteligência artificial complementar os modelos epidemiológicos matemáticos existentes. Nós estamos vivendo na era de dados grandes e leveraging estes dados grandes durante crises está fornecendo grandes oportunidades para a revelação dos modelos e de ferramentas dados-conduzidas de informar políticas.”

Dr. Ali Mostafavi, professor adjunto, departamento de Zachry da engenharia civil e ambiental

Um modelo deaprendizagem é um subconjunto da aprendizagem de máquina, um tipo de inteligência artificial, onde os sistemas de computação, chamados redes neurais, aprendem das grandes quantidades de dados. Treinando o modelo deaprendizagem com dados de um determinado período de tempo, neste caso desde março até maio de 2019, o modelo identificou características para prever as trajectórias de um outro período de tempo -- Junho de 2019.

O modelo deaprendizagem dos pesquisadores esclarece características tais como o movimento dos povos dentro de uma comunidade, dados do censo, social-afastando dados, o crescimento passado da contagem do caso e a demografia social para prever o crescimento das caixas COVID-19 para cada condado com precisão de 64%, que é duas vezes a precisão de um modelo inexperiente. A grande precisão do modelo realizava-se por sete dias no futuro. A precisão diminuiu o mais adicional no futuro onde o modelo previu.

“Um aspecto de modelar isso é útil não é a precisão, mas avaliando que factores conduzem os resultados,” Mostafavi disse. “Este modelo não identifica estratégias específicas da mitigação e de resposta, mas pode ajudar em pontos diferentes a tempo a considerar que estratégias poderiam ser eficazes baseadas em várias características do condado-nível.”

Sabendo que características do modelo têm o efeito o mais significativo no aumento dos casos, os oficiais podem informar as políticas tornando-se que visam aqueles factores. Se a característica a mais crítica para um condado é mobilidade, os oficiais podem executar políticas como pedidos caseiros.

O modelo pode igualmente oferecer a introspecção na eficácia das políticas depois que têm sido já no lugar. Mostafavi descobriu aquele macacão, os pedidos iniciais da redução de curso era eficaz -- os povos de menos condados povoados viajaram menos às cidades alto-povoadas, mas a extensão do curso em condados densa povoados não mudou dràstica.

Disse que a influência das características pode mudar ao longo do tempo para um condado e variar do condado ao condado. No início da pandemia, os pesquisadores viram factores curso-relacionados e mobilidade-relacionados eram os predictors importantes dos casos, mas como o tempo foi sobre, viram que outras características tais como o curso aos pontos dos interesses e de características demográficas sociais eram mais importantes.

O resultado é que a mitigação pandémica é complicada, e as políticas não são ajustes todos de um tamanho.

No futuro, o laboratório de Mostafavi usará séries de dados novas para desenvolver tipos diferentes de modelos. Além do que o modelo com carácter de previsão da fiscalização da nacional-escala actual, a equipe está trabalhando actualmente em um modelo inteligência-baseado artificial para a fiscalização da cidade-escala para prever casos a nível do código postal. Mais importante, querem prever os factores que influenciam cada código postal de modo que os oficiais possam explorar políticas lugar-específicas. Mostafavi disse em vez dos restaurantes de fechamento em um condado inteiro, oficiais pode fechar restaurantes somente em códigos postais de alto risco.

Seus dados grandes das mostras da pesquisa e inteligência artificial têm o potencial jogar um papel chave em melhorar a fiscalização, a previsão e o desenvolvimento de políticas pandémicos.

“As oportunidades significativas existem usando estes dados grandes e AI para conter a pandemia existente e melhor para preparar igualmente e abrandar as pandemias futuras,” Mostafavi disse.

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.