Questo documento propone un approccio innovativo che integra il machine learning nella modellazione compartimentale delle malattie per prevedere la progressione del COVID-19. Il nostro modello è spiegabile dal design perché mostra esplicitamente in che modo i vari compartimenti si evolvono e utilizza codificatori interpretabili per incorporare le covarie e migliorare il rendimento. La spiegabilità è importante per garantire che le previsioni del modello siano credibili per gli epidemiologi e per infondere fiducia negli utenti finali, come legislatori e istituzioni sanitarie. Il nostro modello può essere applicato a diverse risoluzioni geografiche e lo dimostriamo per stati e contee negli Stati Uniti. Mostriamo che il nostro modello fornisce previsioni più accurate rispetto alle alternative all'avanguardia e che fornisce insight esplicativi qualitativamente significativi.
Panoramica
Questo documento illustra quanto segue:
- Esamina il modello compartimentale proposto per il COVID-19.
- Comprendi le scelte di progettazione del modello effettuate per utilizzare le covariate necessarie per prevedere con precisione il COVID-19.
- Discuti i meccanismi di apprendimento sviluppati per migliorare la generalizzazione mentre impari da dati di addestramento limitati.
- Esamina diversi esperimenti per confrontare il nostro modello con altri modelli COVID-19 disponibili pubblicamente.
- Comprendi le potenziali limitazioni e i casi di errore del nostro modello per guidare chi potrebbe utilizzare le tecniche per creare sistemi di previsione che possono influire sulle decisioni relative alla salute pubblica.
Per leggere l'intero white paper, fai clic sul pulsante: