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.

Dados-conduzido primeiramente profundamente aprender o modelo pode prever a manifestação COVID-19 duas semanas adiantado

O comportamento social do pessoa, refletido em seus dados da mobilidade, está fornecendo cientistas uma maneira de prever por todo o país a propagação de COVID-19 a nível do condado. Os pesquisadores da faculdade de universidade atlântica de Florida da engenharia e a informática e os colaboradores desenvolveram dados-conduzido primeiramente profundamente aprendendo o modelo com o potencial prever adiantado uma manifestação nos casos COVID-19 duas semanas. Os resultados deste estudo têm implicações importantes para controlar as pandemias pandémicas assim como futuras actuais.

Para o estudo, publicado no jornal de dados grandes, os pesquisadores integraram os dados da conduzir-mobilidade recolhidos pelas estatísticas App, COVID-19 dos mapas de Apple e pela demografia do condado-nível de 531 condados nos Estados Unidos. Treinaram seu modelo de aprendizagem profundo (LSTM) longo da memória a curto prazo para capturar o efeito de respostas do governo nos casos COVID-19 assim como o efeito da idade na propagação de COVID-19.

os modelos Dados-conduzidos podem aprender da história da doença. Por exemplo, podem usar dados da mobilidade tais como o transporte e o passeio, que fornece uma mudança do tempo real próximo em testes padrões do movimento, aprender o efeito do comportamento social na taxa de reprodução. Um aumento na mobilidade mostra um aumento na interacção entre povos, especialmente nas áreas com densidade populacional alta. Conseqüentemente, alimentar os dados da mobilidade aos modelos de previsão epidemiológicos ajuda a calcular o crescimento COVID-19 assim como a avaliar os efeitos de políticas do governo tais como o encargo de máscaras na propagação de COVID-19.”

Behnaz Ghoraani, Ph.D., autor superior, professor adjunto no departamento da engenharia elétrica e informática; e companheiro do instituto de FAU para a detecção e a engenharia de sistemas encaixada da rede (I-SENSE)

Para o estudo, os pesquisadores exploraram uma demografia de três idades: adultos novos, adultos e aposentados. Para cada população da idade, identificaram os condados com os povos maiores do que uma porcentagem. Por exemplo, para cada população da idade, identificaram os condados onde 10 por cento de sua população são novos e calcularam os exemplos diários da média. Aumentaram o ponto inicial por 10 por cento até 70 por cento e repetiram a análise.

Os resultados mostraram que os casos diários da média diminuíram com um aumento na porcentagem do aposentado e aumentaram-no com o aumento da porcentagem da população nova. Os casos diários da média dobraram quando a população nova aumentou de 10 a 20 por cento e triplicaram quando aumentados a 30 por cento. O teste padrão inverso aconteceu com o aumento na porcentagem dos aposentados.

Os pesquisadores executaram uma análise detalhada para validar que as previsões de seu modelo reflectiram os mesmos testes padrões nos casos reais no que diz respeito às mudanças nos regulamentos do governo e na demografia pandémicos da idade dos condados.

“Mude em políticas do lockdown, mandatos da máscara, e outras respostas do governo impactam directamente as caixas COVID-19 diárias. Daqui, as previsões modelo dos casos diários de duas semanas têm que reflectir que impacto como mostrado pelas caixas de duas semanas acumuladas reais,” disse Borko Furht, Ph.D., co-autor, professor, departamento do computador e da engenharia elétrica e informática, e director da indústria (NSF) do National Science Foundation/do centro pesquisa cooperativo da universidade para capacitação avançada do conhecimento (BOLO). “Prever espalhada a nível do condado esclarece a influência de políticas locais de baixo nível e ajudá-la-á a fornecer a melhor previsão para apoiar previsões do nacional e de estado. Por exemplo, as previsões a curto prazo das caixas acumuladas podem ser usadas para planear e decidir mesmo se um lockdown é necessário.”

Os pesquisadores recuperaram dados dinâmicos do 15 de fevereiro de 2020 ao 22 de janeiro, e filtraram os condados com uma densidade populacional de mais pouca de 150 povos pela milha quadrada. Treinaram o modelo de LSTM para aprender como o passado e o número actual de casos e de mobilidade do pessoa impactam as caixas futuras. Usaram os dados de 424 condados sobre 168 dias treinando e de 107 condados sobre 168 dias para a validação. O modelo conduziu a uma correlação significativa quando testado no intervalo desde o 1º de agosto de 2020 até o 22 de janeiro. Podia prever um aumento e igualmente uma diminuição no número total de casos.

“O modelo de aprendizagem profundo desenvolvido por nossos pesquisadores é especialmente relevante agora como os casos da variação do delta escalam em Florida e durante todo a nação,” disse Stella Batalama, Ph.D., decano, faculdade da engenharia e informática. “Muitas populações contaminadas permanecem assintomáticas ao espalhar o vírus, fazendo o que desafia para que os modelos mecanicistas tradicionais prever uma próximo manifestação exactamente. O trabalho por professores Ghoraani e Furht e nossos colaboradores das soluções do risco do Lexis-Nexis tem pedidos significativos para a gestão eficaz das manifestações pandémicas e futuras, que tem o potencial salvar vidas e manter nossas economias prosperar.”

Source:
Journal reference:

Hssayeni, M.D., et al. (2021) The forecast of COVID-19 spread risk at the county level. Journal of Big Data. doi.org/10.1186/s40537-021-00491-1.