En este documento, se propone un enfoque innovador que integra el aprendizaje automático en la creación de modelos compartimentales de transmisión de enfermedades para predecir el progreso del COVID-19. Nuestro modelo se puede explicar en función del diseño ya que, en él, se muestra de forma explícita cómo evolucionan los diferentes compartimentos y se usan codificadores interpretables para incorporar variables de control y mejorar el rendimiento. La comprensibilidad es valiosa para ayudar a garantizar que las predicciones del modelo sean creíbles para los epidemiólogos y a fin de infundir confianza en los usuarios finales, como los encargados de formular políticas y las instituciones de atención médica. Nuestro modelo se puede aplicar en diferentes unidades geográficas, como lo demostramos en estados y condados de Estados Unidos. También demostramos que nuestro modelo proporciona previsiones más precisas que las alternativas modernas y que proporciona estadísticas explicativas que son significativas en términos de calidad.
Descripción general
En este documento, se describen los siguientes temas:
- Revisión del modelo compartimental propuesto para el COVID-19
- Información sobre las decisiones de diseño del modelo que se tomaron con el fin de usar las variables de control necesarias para predecir el COVID-19 con precisión
- Análisis de los mecanismos de aprendizaje desarrollados para mejorar la generalización y de los datos de entrenamiento limitados
- Revisión de varios experimentos con el fin de comparar nuestro modelo con otros modelos del COVID-19 que están disponibles de forma pública
- Información sobre las limitaciones y los casos de errores posibles de nuestro modelo para guiar a quienes pueden llegar a usar las técnicas con el fin de compilar sistemas de previsión que pueden afectar las decisiones de salud pública
Para leer el informe completo, haz clic en el botón: