Este documento propõe uma nova abordagem que integra o machine learning aos modelos compartimentais de doenças para prever o avanço da COVID-19. Nosso modelo é estruturalmente explicável, pois mostra de maneira explícita como os compartimentos diferentes evoluem e usa codificadores interpretáveis para incorporar covariáveis e melhorar o desempenho. A explicabilidade é útil para garantir que as previsões do modelo sejam confiáveis para os epidemiologistas e inspirar confiança aos usuários finais, como autoridades públicas e instituições de saúde. Nosso modelo pode ser aplicado em diferentes resoluções geográficas e foi demonstrado em estados e condados dos Estados Unidos. Mostramos que nosso modelo fornece previsões mais precisas do que as alternativas de última geração, além de insights explicativos relevantes do ponto de vista qualitativo.
Visão geral
Conteúdo deste documento:
- Revisar o modelo compartimental proposto para a COVID-19.
- Entender as escolhas de design do modelo feitas para usar as covariáveis necessárias para prever a COVID-19 de maneira precisa.
- Discutir os mecanismos desenvolvidos para melhorar a generalização ao aprender com dados de treinamento limitados.
- Analisar vários experimentos para comparar nosso modelo com outros modelos relacionados à COID-19 disponíveis publicamente.
- Entender possíveis limitações e casos de falha do nosso modelo para orientar os usuários das técnicas durante a criação de sistemas de previsão que possam afetar decisões de saúde pública.
Para ler todo o artigo, clique no botão: