Ce document propose une nouvelle approche qui intègre le machine learning dans une modélisation compartimentale en épidémiologie afin de prédire la progression de la COVID-19. Notre modèle est compréhensible par sa conception, car il montre clairement l'évolution des différents compartiments et utilise des encodeurs interprétables pour incorporer des covariées et améliorer les performances. La clarté de ce modèle assure que ses prévisions sont crédibles auprès des épidémiologistes et permet d'établir une relation de confiance avec les utilisateurs finaux, par exemple, les décideurs et les institutions de santé. Notre modèle peut être appliqué à différentes zones géographiques, comme nous le démontrons avec les États et les comtés aux États-Unis. Nous montrons que notre modèle fournit des prévisions plus précises que les alternatives de pointe et qu'il fournit des insights qualitativement significatifs et compréhensifs.
Présentation
Ce document traite des points suivants :
- Examen du modèle compartimental proposé pour la COVID-19.
- Explication des choix de conception du modèle afin d'utiliser les covariées nécessaires pour prédire avec précision la COVID-19.
- Discussion sur les mécanismes d'apprentissage développés pour améliorer la généralisation, tout en apprenant à partir de données d'entraînement limitées.
- Examen de plusieurs tests pour comparer notre modèle à d'autres modèles COVID-19 accessibles au public.
- Compréhension des limites potentielles et les cas d'échec potentiels de notre modèle afin de guider ceux qui pourraient utiliser les techniques pour créer des systèmes de prévision pouvant affecter les décisions en termes de santé publique
Pour lire le livre blanc en entier, cliquez sur le bouton :