En este documento se propone un enfoque novedoso que integra el aprendizaje automático en el modelado compartimental de enfermedades para predecir la progresión del COVID-19. Nuestro modelo se puede explicar por diseño, ya que muestra explícitamente cómo evolucionan los diferentes compartimentos y usa codificadores interpretables para incorporar covariables y mejorar el rendimiento. La interpretabilidad es valiosa para asegurar que las previsiones del modelo sean creíbles para los epidemiólogos y para infundir confianza en los usuarios finales, como los responsables políticos y las instituciones sanitarias. Nuestro modelo se puede aplicar a diferentes resoluciones geográficas, y lo demostramos en el caso de los estados y los condados de Estados Unidos. Demostramos que nuestro modelo ofrece previsiones más precisas que las alternativas más avanzadas y que proporciona información explicativa cualitativamente significativa.
Información general
En este documento se describe lo siguiente:
- Revisa el modelo compartimental propuesto para el COVID-19.
- Comprender las decisiones de diseño del modelo para usar las covariables necesarias para predecir el COVID-19 con precisión.
- Describe los mecanismos de aprendizaje desarrollados para mejorar la generalización al aprender de datos de entrenamiento limitados.
- Revisa varios experimentos para comparar nuestro modelo con otros modelos de COVID-19 disponibles públicamente.
- Conocer las posibles limitaciones y los casos de error de nuestro modelo para orientar a quienes puedan usar las técnicas para crear sistemas de previsión que puedan afectar a las decisiones de salud pública.
Para leer el informe completo, haz clic en el botón: