Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Usando el AI y los datos grandes para predecir la extensión futura de los casos COVID-19

Durante COVID-19, la inteligencia artificial (AI) se ha utilizado de aumentar esfuerzos diagnósticos, entrega suministros médicos e incluso fija factores de riesgo de análisis de sangre. Ahora, se está utilizando la inteligencia artificial de prever los casos futuros COVID-19.

Los investigadores de la universidad de Tejas A&M, llevados por el Dr. Ali Mostafavi, han desarrollado un modelo de cómputo de profundo-aprendizaje potente que utiliza la inteligencia artificial y los datos grandes existentes relacionados con las actividades y la movilidad de población para ayudar a predecir la extensión futura de los casos COVID-19 en un nivel del condado.

Los investigadores publicaron sus resultados en el acceso de IEEE.

La extensión de pandémicos es influenciada por los lazos complejos relacionados con las características incluyendo movilidad, actividades de población y características sociodemográficas. Sin embargo, los modelos epidemiológicos matemáticos típicos explican solamente un pequeño subconjunto de características relevantes.

En cambio, el modelo de profundo-aprendizaje desarrollado por Mostafavi, profesor adjunto en el departamento de Zachry de la ingeniería civil y ambiental, y de su laboratorio de UrbanResilience.AI, puede explicar el lazo complejo entre un número más grande de características para prever el alcance del aumento en las infecciones COVID-19 en días futuros.

Explotamos inmediatamente el potencial para emplear la inteligencia artificial de complementar los modelos epidemiológicos matemáticos existentes. Estamos viviendo en la era de datos grandes y leveraging estos datos grandes durante crisis está ofreciendo las grandes oportunidades para el revelado de modelos y de herramientas dato-impulsadas de informar a planes de acción.”

El Dr. Ali Mostafavi, profesor adjunto, departamento de Zachry de la ingeniería civil y ambiental

Un modelo de profundo-aprendizaje es un subconjunto de aprendizaje de máquina, un tipo de inteligencia artificial, donde los sistemas de cálculo, llamados las redes neuronales, aprenden de una gran cantidad de datos. Entrenando al modelo de profundo-aprendizaje con datos a partir de cierto plazo, en este caso de marzo a mayo de 2019, el modelo determinó características para predecir las trayectorias de otro plazo -- Junio de 2019.

El modelo de profundo-aprendizaje de los investigadores explica características tales como el movimiento de la gente dentro de una comunidad, datos de censo, social-distanciándose datos, último incremento de la cuenta del caso y datos demográficos sociales para predecir el incremento de las cajas COVID-19 para cada condado con la exactitud del 64%, que es dos veces la exactitud de un modelo inexperimentado. La exactitud más grande del modelo era por siete días en el futuro. La exactitud disminuyó el más futuro en el futuro que el modelo predijo.

“Un aspecto de modelar eso es útil no es la exactitud, pero evaluando qué factores impulsan los resultados,” Mostafavi dijo. “Este modelo no determina estrategias específicas de la mitigación y de reacción, sino que puede ayudar en diversos puntos a tiempo a considerar qué estrategias podrían ser efectivas basadas en diversas características del condado-nivel.”

Sabiendo qué características del modelo tienen el efecto más importante sobre el aumento de los casos, los funcionarios pueden informar a los planes de acción que se convierten que apuntan esos factores. Si la característica más crítica para un condado es movilidad, los funcionarios pueden aplicar planes de acción como órdenes hogareñas.

El modelo puede también ofrecer discernimiento en la eficacia de planes de acción después de que hayan existido ya. Mostafavi descubrió eso guardapolvo, las órdenes iniciales de la reducción de viaje era efectivo -- la gente de menos condados poblados viajó menos a las ciudades alto-pobladas, pero el fragmento del viaje en condados denso poblados no cambió drástico.

Él dijo que la influencia de características puede cambiar en un cierto plazo para un condado y variar de condado al condado. En el inicio del pandémico, los investigadores vieron factores viaje-relacionados y movilidad-relacionados eran los calculadores importantes de casos, pero como continuó el tiempo, vieron que otras características tales como viaje a los puntos de intereses y de características demográficas sociales eran más importantes.

El resultado es que la mitigación pandémica es complicada, y los planes de acción no son una talla única.

En el futuro, el laboratorio de Mostafavi utilizará nuevos conjuntos de datos para desarrollar diversos tipos de modelos. Además del modelo profético de la vigilancia de la nacional-escala actual, las personas están trabajando actualmente en un modelo inteligencia-basado artificial para la vigilancia de la ciudad-escala para predecir casos en el nivel del código postal. Más importantemente, quieren predecir los factores que influencian cada código postal de modo que los funcionarios puedan explorar planes de acción situación-específicos. Mostafavi dijo en vez de los restaurantes cerrados en un condado entero, funcionarios puede cerrar restaurantes en solamente códigos postales de alto riesgo.

Sus datos grandes de las demostraciones de la investigación e inteligencia artificial tienen el potencial de desempeñar un papel dominante en perfeccionar el revelado pandémico de la vigilancia, de la predicción y de plan de acción.

Las “oportunidades importantes existen usando estos datos grandes y AI para contener el pandémico existente y también mejor para preparar y para atenuar los pandémicos futuros,” Mostafavi dijo.

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.