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.

Primero dato-impulsado profundamente el aprendizaje del modelo puede predecir el brote COVID-19 dos semanas por adelantado

El comportamiento social de la gente, reflejado en sus datos de la movilidad, está proveyendo de científicos una manera de prever la extensión de COVID-19 por toda la nación en el nivel del condado. Los investigadores de la universidad de universidad atlántica de la Florida de la ingeniería y de informática y los colaboradores han desarrollado primero dato-impulsado profundamente aprendiendo el modelo con el potencial de predecir un brote en los casos COVID-19 dos semanas por adelantado. Las conclusión de este estudio tienen implicaciones importantes para manejar los pandémicos pandémicos así como futuros actuales.

Para el estudio, publicado en el gorrón de datos grandes, los investigadores integraron los datos de la impulsar-movilidad cerco por las estadísticas App, COVID-19 de los mapas de Apple y los datos demográficos del condado-nivel a partir de 531 condados en los Estados Unidos. Entrenaron a su modelo de aprendizaje profundo (LSTM) largo de la memoria a corto plazo para capturar el efecto de las reacciones del gobierno sobre los casos COVID-19 así como el efecto de la edad sobre la extensión de COVID-19.

los modelos Dato-impulsados pueden aprender de la historia de la enfermedad. Por ejemplo, pueden utilizar datos de la movilidad tales como transporte y recorrer, que ofrece un cambio del tiempo real cercano en configuraciones del movimiento, de aprender el efecto del comportamiento social sobre el régimen de reproducción. Un aumento en movilidad muestra un aumento en la acción recíproca entre la gente, especialmente en áreas con alta densidad demográfica. Por lo tanto, introducir los datos de la movilidad a los modelos de pronóstico epidemiológicos ayuda a estimar el incremento COVID-19 así como a evaluar los efectos de los planes de acción del gobierno tales como mandato de máscaras por mandato sobre la extensión de COVID-19.”

Behnaz Ghoraani, Ph.D., autor mayor, profesor adjunto en el departamento de la ingeniería eléctrica y de informática; y persona del instituto de FAU para detectar y la ingeniería de sistemas embutida de la red (I-SENSE)

Para el estudio, los investigadores exploraron datos demográficos de tres edades: adultos jovenes, adultos y jubilados. Para cada población de la edad, determinaron los condados con la gente mayor que un porcentaje. Por ejemplo, para cada población de la edad, determinaron los condados donde está joven el 10 por ciento de su población y calculaban los casos diarios del promedio. Aumentaron el umbral en el 10 por ciento hasta el 70 por ciento y relanzaron el análisis.

Los resultados mostraron que los casos diarios del promedio disminuyeron con un aumento en el porcentaje del jubilado y aumentaron con el aumento del porcentaje de la población joven. Los casos diarios del promedio duplicaron cuando la población joven aumentó a partir del 10 al 20 por ciento y triplicaron cuando estaban aumentados al 30 por ciento. La configuración inversa suceso con el aumento en el porcentaje de jubilados.

Los investigadores realizaron un análisis detallado para validar que las predicciones de su modelo reflejaron las mismas configuraciones en los casos reales en cuanto a los cambios en las reglas del gobierno y los datos demográficos pandémicos de la edad de los condados.

“Cambie en los planes de acción del lockdown, mandatos de la máscara, y otras reacciones del gobierno afectan directamente las cajas diarias COVID-19. Por lo tanto, las predicciones modelo de los casos diarios de dos semanas tienen que reflejar que impacto como se muestra por las cajas de dos semanas acumuladas reales,” dijo a Borko Furht, Ph.D., co-autor, profesor, departamento de la computador y de la ingeniería eléctrica y de informática, y director de la industria (NSF) del National Science Foundation/del centro de investigación cooperativo de la universidad para el Enablement avanzado del conocimiento (TORTA). El “predecir extendido en el nivel del condado explica la influencia de planes de acción locales de bajo nivel y ayudará a ofrecer un mejor pronóstico para soportar predicciones del nacional y de estado. Por ejemplo, las predicciones a corto plazo de las cajas acumuladas se pueden utilizar para proyectar y para decidir a independientemente de si un lockdown es necesario.”

Los investigadores extrajeron datos dinámicos del 15 de febrero de 2020 al 22 de enero, y filtraron los condados con una densidad demográfica de más poco de 150 personas por milla cuadrada. Entrenaron al modelo de LSTM para aprender cómo el pasado y el número actual de casos y de la movilidad de la gente afectan las cajas futuras. Utilizaron los datos de 424 condados durante 168 días para entrenar y de 107 condados durante 168 días para la validación. El modelo dio lugar a una correlación importante cuando estaba probado en el intervalo a partir del 1 de agosto de 2020 hasta el 22 de enero. Podía predecir un aumento y también una disminución del número total de casos.

“El modelo de aprendizaje profundo desarrollado por nuestros investigadores es especialmente relevante ahora como los casos de la variante del delta intensifican en la Florida y en la nación,” dijo a Stella Batalama, Ph.D., decano, universidad de la ingeniería y de informática. “Muchas poblaciones infectadas siguen siendo asintomáticas mientras que extienden el virus, haciéndolo que desafía para que los modelos mecánicos tradicionales predigan un brote próximo exacto. El trabajo de los profesores Ghoraani y Furht y nuestros colaboradores de soluciones del riesgo del lexis-Nexis tiene usos importantes para la administración efectiva de los brotes pandémicos y futuros, que tiene el potencial de salvar vidas y de guardar nuestras economías el 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.