Un diagrama del modelo de aprendizaje autom\u00e1tico. Una caracter\u00edstica de SuEIR es que las personas tanto expuestas como infecciosas pueden infectar a personas susceptibles, como lo indican las flechas discontinuas. Cr\u00e9dito: Escuela de Ingenier\u00eda Samueli <\/p>\n
Un modelo de aprendizaje autom\u00e1tico desarrollado en la Escuela de Ingenier\u00eda Samueli de la UCLA est\u00e1 ayudando a los Centros para el Control y la Prevenci\u00f3n de Enfermedades a predecir la propagaci\u00f3n de la COVID-19. <\/p>\n
El modelo fue creado por un equipo dirigido por Quanquan Gu, profesor asistente de ciencias de la computaci\u00f3n de la UCLA, y ahora es uno de los 13 modelos que se integran en un centro de pron\u00f3stico de COVID-19 en la Universidad de Massachusetts Amherst. Los datos de ese centro, a su vez, se incorporan a los pron\u00f3sticos en l\u00ednea de los CDC sobre c\u00f3mo podr\u00eda continuar propag\u00e1ndose la enfermedad.<\/p>\n
Gu dijo que su modelo es m\u00e1s preciso que la mayor\u00eda de los dem\u00e1s porque no se basa solo en casos confirmados de COVID-19. 19 casos y muertes. Est\u00e1 impulsado por la epidemiolog\u00eda y es uno de los dos \u00fanicos modelos en el centro que utilizan el aprendizaje autom\u00e1tico.<\/p>\n
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.<\/p>\n
El modelo de UCLA es \u00fanico porque no se ajusta simplemente a la curva actual, que se basa solo en los casos informados. M\u00e1s bien, infiere la cantidad de casos no probados y no informados del an\u00e1lisis de datos del modelo y usa esas inferencias para predecir qu\u00e9 tan r\u00e1pido se propagar\u00e1 la enfermedad. Esto se denomina \u00abmodelo epid\u00e9mico\u00bb porque tiene en cuenta los diversos factores que afectan la tasa de propagaci\u00f3n de la enfermedad.<\/p>\n
UCLA-SuEIR produce modelos a nivel estatal y de condado basados en el n\u00famero de muertes y muertes confirmadas. casos informados por el New York Times y modelos nacionales basados en datos informados por la Universidad Johns Hopkins.<\/p>\n
La Universidad de Massachusetts agreg\u00f3 el modelo de UCLA a su centro el 6 de mayo despu\u00e9s de que Gu envi\u00f3 detalles sobre su trabajo a UMass biostatistics el profesor Nicolas Reich, l\u00edder del proyecto del hub. El equipo de Gu hab\u00eda notado que varios modelos en el centro produc\u00edan predicciones variables, principalmente basadas en modelos de ajuste de curvas.<\/p>\n
\u00abSin ning\u00fan modelo epid\u00e9mico, la proyecci\u00f3n del modelo de ajuste de curvas es muy enga\u00f1osa ya que solo depende del patr\u00f3n de datos observado, pero ignora la din\u00e1mica epid\u00e9mica subyacente que impulsa los datos\u00bb, dijo Gu.<\/p>\n
El equipo de UCLA verifica la precisi\u00f3n de su modelo al hacer una predicci\u00f3n con una semana de anticipaci\u00f3n de futuros casos confirmados, muerte y casos recuperados, luego verific\u00e1ndolos con los datos reales reportados. El algoritmo de aprendizaje autom\u00e1tico 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 m\u00e1s eficiente que otros modelos. El equipo de Gu en realidad ha creado un total de 232 submodelos solo para los EE. UU. en general, as\u00ed como uno para cada estado y 181 para cualquier condado con m\u00e1s de 1000 casos confirmados.<\/p>\n
Gu dijo que el modelo de UCLA ha sido consistentemente el m\u00e1s preciso en el centro de Massachusetts en la predicci\u00f3n de recuentos de muertes para los EE. UU. y la mayor\u00eda 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 pa\u00eds.<\/p>\n
El trabajo es mucho m\u00e1s que un ejercicio matem\u00e1tico. \u00abNuestro modelo puede ayudar a medir la efectividad de las pol\u00edticas gubernamentales, como el distanciamiento social, las \u00f3rdenes de quedarse en casa, el uso de mascarillas y cubiertas faciales o la autocuarentena, as\u00ed como predecir posibles rebrotes en los casos a medida que los estados reabren\u00bb. dijo Gu.<\/p>\n
El modelo tambi\u00e9n podr\u00eda usarse para evaluar si una regi\u00f3n est\u00e1 evaluando a suficientes personas, lo que puede ayudar a los funcionarios a comprender si se necesitan m\u00e1s pruebas.<\/p>\n
Seg\u00fan las proyecciones del equipo, el n\u00famero de casos de COVID-19 alcanzar\u00e1 su punto m\u00e1ximo el 1 de junio para los EE. UU. en general, mientras que California alcanzar\u00e1 su punto m\u00e1ximo el 1 de julio y los casos de Los \u00c1ngeles alcanzar\u00e1n su punto m\u00e1ximo el 7 de junio.<\/p>\n
El equipo de Gu est\u00e1 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 podr\u00eda generar predicciones que las autoridades podr\u00edan usar para asignar mejor los recursos, como trabajadores de la salud, equipos de protecci\u00f3n personal y ventiladores. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por la Universidad de California, Los \u00c1ngeles Cita<\/strong>: El modelo de aprendizaje autom\u00e1tico est\u00e1 ayudando a los CDC a predecir la propagaci\u00f3n 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Un diagrama del modelo de aprendizaje autom\u00e1tico. Una caracter\u00edstica de SuEIR es que las personas tanto expuestas como infecciosas pueden infectar a personas susceptibles, como lo indican las flechas discontinuas. Cr\u00e9dito: Escuela de Ingenier\u00eda Samueli Un modelo de aprendizaje autom\u00e1tico desarrollado en la Escuela de Ingenier\u00eda Samueli de la UCLA est\u00e1 ayudando a los Centros … Continuar leyendo \u00abEl modelo de aprendizaje autom\u00e1tico ayuda a los CDC a predecir la propagaci\u00f3n de la COVID-19\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-26605","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/26605","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=26605"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/26605\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=26605"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=26605"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=26605"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}