Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
A medida que partes de los EE. UU. reabren tentativamente en medio de la pandemia de COVID-19, la salud a largo plazo de la naci\u00f3n sigue dependiendo del seguimiento del virus y predecir d\u00f3nde podr\u00eda surgir a continuaci\u00f3n. Encontrar los modelos de computadora correctos puede ser complicado, pero dos investigadores de la Universidad de Binghamton, Universidad Estatal de Nueva York, creen que tienen una forma innovadora de resolver esos problemas y est\u00e1n compartiendo su trabajo en l\u00ednea. <\/p>\n
Usando datos recopilados de todo el mundo por la Universidad Johns Hopkins, Arti Ramesh y Anand Seetharamboth, profesores asistentes en el Departamento de Ciencias de la Computaci\u00f3n, han creado varios modelos de predicci\u00f3n que aprovechan la inteligencia artificial. Ayudar a la investigaci\u00f3n es Ph.D. estudiante Raushan Raj.<\/p>\n
El aprendizaje autom\u00e1tico permite que los algoritmos aprendan y mejoren sin ser programados expl\u00edcitamente. Los modelos examinan tendencias y patrones de los 50 pa\u00edses donde las tasas de infecci\u00f3n por coronavirus son m\u00e1s altas, incluido EE. UU., y a menudo pueden predecir con un margen de error del 10 % lo que suceder\u00e1 durante los pr\u00f3ximos tres d\u00edas seg\u00fan los datos de los \u00faltimos 14 d\u00edas. <\/p>\n
\u00abCreemos que los datos anteriores codifican toda la informaci\u00f3n necesaria\u00bb, dijo Seetharam. \u00abEstas infecciones se han propagado debido a las medidas que se han implementado o no, y tambi\u00e9n porque algunas personas se han adherido a las restricciones o no. Los diferentes pa\u00edses del mundo tienen diferentes niveles de restricciones y estatus socioecon\u00f3mico\u00bb.<\/p>\n
Para su estudio inicial, Ramesh y Seetharam ingresaron n\u00fameros de infecci\u00f3n global hasta el 30 de abril, lo que les permiti\u00f3 ver c\u00f3mo se desarrollaron sus predicciones hasta mayo.<\/p>\n
Ciertas anomal\u00edas pueden generar dificultades. Por ejemplo, los datos de China no se incluyeron debido a preocupaciones sobre la transparencia del gobierno con respecto a COVID-19. Adem\u00e1s, con los recursos de salud a menudo gravados al l\u00edmite, rastrear la propagaci\u00f3n del virus a veces no era la prioridad.<\/p>\n
\u00abHemos visto en muchos pa\u00edses que han contado las infecciones pero no las han atribuido en el d\u00eda fueron identificados\u00bb, dijo Ramesh. \u00abLos agregar\u00e1n todos en un d\u00eda, y de repente hay un cambio en los datos que nuestro modelo no puede predecir\u00bb.<\/p>\n
Aunque las tasas de infecci\u00f3n est\u00e1n disminuyendo en muchas partes de los EE. UU., est\u00e1n aumentando en otros pa\u00edses, y los funcionarios de salud de EE. UU. temen una segunda ola de COVID-19 cuando las personas cansadas del encierro no sigan las pautas de seguridad, como usar m\u00e1scaras faciales.<\/p>\n
\u00abLa principal utilidad de este estudio es preparar hospitales y trabajadores de la salud con el equipo adecuado\u00bb, dijo Seetharam. \u00abSi saben que los pr\u00f3ximos tres d\u00edas van a ver un aumento y que las camas en sus hospitales est\u00e1n llenas, tendr\u00e1n que construir camas temporales y cosas as\u00ed\u00bb.<\/p>\n
Como el coronavirus barre todo el mundo, Ramesh y Seetharam contin\u00faan recopilando datos para que sus modelos puedan volverse m\u00e1s precisos. Otros investigadores o funcionarios de atenci\u00f3n m\u00e9dica que deseen utilizar sus modelos pueden encontrarlos publicados en l\u00ednea.<\/p>\n
\u00abCada punto de datos es un d\u00eda, y si se extiende m\u00e1s, producir\u00e1 patrones m\u00e1s interesantes en los datos\u00bb, Ramesh dijo. \u00abEntonces usaremos modelos m\u00e1s complejos, porque necesitan patrones de datos m\u00e1s complejos. En este momento, esos no existen, as\u00ed que estamos usando modelos m\u00e1s simples, que tambi\u00e9n son m\u00e1s f\u00e1ciles de ejecutar y comprender\u00bb.<\/p>\n
Ramesh y el art\u00edculo de Seetharam se llama \u00abModelos de regresi\u00f3n de conjunto para la predicci\u00f3n a corto plazo de casos confirmados de COVID-19\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por la Universidad de Binghamton Cita<\/strong>: Los investigadores usan el aprendizaje autom\u00e1tico para crear predicciones de COVID-19 (2020, 29 de junio ) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-06-machine-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":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico A medida que partes de los EE. UU. reabren tentativamente en medio de la pandemia de COVID-19, la salud a largo plazo de la naci\u00f3n sigue dependiendo del seguimiento del virus y predecir d\u00f3nde podr\u00eda surgir a continuaci\u00f3n. Encontrar los modelos de computadora correctos puede ser complicado, pero dos investigadores de … Continuar leyendo \u00abLos investigadores usan el aprendizaje autom\u00e1tico para crear predicciones de 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-28300","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28300","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=28300"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28300\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=28300"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=28300"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=28300"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}