El modelo de aprendizaje automático ayuda a los CDC a predecir la propagación de la COVID-19
Un diagrama del modelo de aprendizaje automático. Una característica de SuEIR es que las personas tanto expuestas como infecciosas pueden infectar a personas susceptibles, como lo indican las flechas discontinuas. Crédito: Escuela de Ingeniería Samueli
Un modelo de aprendizaje automático desarrollado en la Escuela de Ingeniería Samueli de la UCLA está ayudando a los Centros para el Control y la Prevención de Enfermedades a predecir la propagación de la COVID-19.
El modelo fue creado por un equipo dirigido por Quanquan Gu, profesor asistente de ciencias de la computación de la UCLA, y ahora es uno de los 13 modelos que se integran en un centro de pronóstico de COVID-19 en la Universidad de Massachusetts Amherst. Los datos de ese centro, a su vez, se incorporan a los pronósticos en línea de los CDC sobre cómo podría continuar propagándose la enfermedad.
Gu dijo que su modelo es más preciso que la mayoría de los demás porque no se basa solo en casos confirmados de COVID-19. 19 casos y muertes. Está impulsado por la epidemiología y es uno de los dos únicos modelos en el centro que utilizan el aprendizaje automático.
El nombre del modelo, UCLA-SuEIR, se deriva de los cinco tipos de datos de COVID-19 observados e inferidos que factor en sus proyecciones la cantidad de casos categorizados como susceptibles, no informados, expuestos, infecciosos y recuperados.
El modelo de UCLA es único porque no se ajusta simplemente a la curva actual, que se basa solo en los casos informados. Más bien, infiere la cantidad de casos no probados y no informados del análisis de datos del modelo y usa esas inferencias para predecir qué tan rápido se propagará la enfermedad. Esto se denomina «modelo epidémico» porque tiene en cuenta los diversos factores que afectan la tasa de propagación de la enfermedad.
UCLA-SuEIR produce modelos a nivel estatal y de condado basados en el número de muertes y muertes confirmadas. casos informados por el New York Times y modelos nacionales basados en datos informados por la Universidad Johns Hopkins.
La Universidad de Massachusetts agregó el modelo de UCLA a su centro el 6 de mayo después de que Gu envió detalles sobre su trabajo a UMass biostatistics el profesor Nicolas Reich, líder del proyecto del hub. El equipo de Gu había notado que varios modelos en el centro producían predicciones variables, principalmente basadas en modelos de ajuste de curvas.
«Sin ningún modelo epidémico, la proyección del modelo de ajuste de curvas es muy engañosa ya que solo depende del patrón de datos observado, pero ignora la dinámica epidémica subyacente que impulsa los datos», dijo Gu.
El equipo de UCLA verifica la precisión de su modelo al hacer una predicción con una semana de anticipación de futuros casos confirmados, muerte y casos recuperados, luego verificándolos con los datos reales reportados. El algoritmo de aprendizaje automático del modelo permite a Gu entrenar un nuevo prototipo en menos de cinco segundos y permite que el equipo actualice su modelo diariamente, lo que es más eficiente que otros modelos. El equipo de Gu en realidad ha creado un total de 232 submodelos solo para los EE. UU. en general, así como uno para cada estado y 181 para cualquier condado con más de 1000 casos confirmados.
Gu dijo que el modelo de UCLA ha sido consistentemente el más preciso en el centro de Massachusetts en la predicción de recuentos de muertes para los EE. UU. y la mayoría de los estados, y se encuentra entre los tres modelos principales que mejor coinciden con sus predicciones con la cantidad real de muertes reportadas en todo el país.
El trabajo es mucho más que un ejercicio matemático. «Nuestro modelo puede ayudar a medir la efectividad de las políticas gubernamentales, como el distanciamiento social, las órdenes de quedarse en casa, el uso de mascarillas y cubiertas faciales o la autocuarentena, así como predecir posibles rebrotes en los casos a medida que los estados reabren». dijo Gu.
El modelo también podría usarse para evaluar si una región está evaluando a suficientes personas, lo que puede ayudar a los funcionarios a comprender si se necesitan más pruebas.
Según las proyecciones del equipo, el número de casos de COVID-19 alcanzará su punto máximo el 1 de junio para los EE. UU. en general, mientras que California alcanzará su punto máximo el 1 de julio y los casos de Los Ángeles alcanzarán su punto máximo el 7 de junio.
El equipo de Gu está trabajando para refinar el modelo para Tenga en cuenta los datos a nivel de condado de los hospitales y las unidades de cuidados intensivos, lo que podría generar predicciones que las autoridades podrían usar para asignar mejor los recursos, como trabajadores de la salud, equipos de protección personal y ventiladores.
Explore más
Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por la Universidad de California, Los Ángeles Cita: El modelo de aprendizaje automático está ayudando a los CDC a predecir la propagación de COVID -19 (2020, 19 de mayo) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-machine-learning-cdc-covid-.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.