Este documento propõe uma nova abordagem que integra a aprendizagem automática na modelação de doenças compartimentais para prever a progressão da COVID-19. O nosso modelo é explicável por design porque mostra explicitamente como os diferentes compartimentos evoluem e usa codificadores interpretáveis para incorporar covariáveis e melhorar o desempenho. A capacidade de explicação é valiosa para ajudar a garantir que as previsões do modelo são credíveis para os epidemiologistas e para incutir confiança nos utilizadores finais, como os decisores políticos e as instituições de cuidados de saúde. O nosso modelo pode ser aplicado a diferentes resoluções geográficas e demonstramos isso para estados e condados nos Estados Unidos. Mostramos que o nosso modelo oferece previsões mais precisas do que as alternativas de vanguarda e que fornece estatísticas explicativas qualitativamente significativas.
Vista geral
Este documento descreve o seguinte:
- Reveja o modelo compartimental proposto para a COVID-19.
- Compreenda as escolhas de design do modelo feitas para usar as covariáveis necessárias para prever com precisão a COVID-19.
- Debata os mecanismos de aprendizagem desenvolvidos para melhorar a generalização durante a aprendizagem a partir de dados de aprendizagem limitados.
- Reveja várias experiências para comparar o nosso modelo com outros modelos de COVID-19 disponíveis publicamente.
- Compreender as potenciais limitações e casos de falha do nosso modelo para orientar aqueles que possam usar as técnicas para criar sistemas de previsão que possam afetar as decisões de saúde pública.
Para ler o relatório técnico completo, clique no botão: