Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico <\/p>\n
A principios de este verano cubrimos el trabajo de Viktor Prasanna, presidente de Charles Lee Powell en el Departamento Ming Hsieh de Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica, y el investigador asociado senior de USC Viterbi, Ajitesh Srivastava, que trabaja en el Laboratorio de Ciencia de Datos dirigido por Prasanna. Los dos, que tienen una amplia experiencia en el pron\u00f3stico de epidemias, comenzaron a usar algunos de sus modelos \u00fanicos para mejorar nuestra comprensi\u00f3n de c\u00f3mo se propaga COVID-19. Ahora, dos meses despu\u00e9s, han agregado a\u00fan m\u00e1s funciones a su modelo y tambi\u00e9n han comenzado a trabajar en estrecha colaboraci\u00f3n con los CDC en nuevas estrategias. <\/p>\n
A continuaci\u00f3n, Srivastava responde algunas preguntas sobre su trabajo, la importancia y los desaf\u00edos de la previsi\u00f3n, y los pr\u00f3ximos pasos previstos para la investigaci\u00f3n de la COVID-19.<\/p>\n
Usted ha estado trabajando en la previsi\u00f3n de epidemias durante a\u00f1os. \u00bfPor qu\u00e9 es una parte tan importante de la lucha contra una epidemia?<\/p>\n
La previsi\u00f3n es un aspecto vital de la gesti\u00f3n de recursos y la formulaci\u00f3n de pol\u00edticas. Cuando una pandemia se propaga r\u00e1pidamente, uno de los mayores desaf\u00edos es el estr\u00e9s que genera en los sistemas de atenci\u00f3n m\u00e9dica que no est\u00e1n preparados. Las tasas de mortalidad aumentan a\u00fan m\u00e1s porque los hospitales est\u00e1n abrumados con pacientes y no pueden brindar la atenci\u00f3n adecuada. Esto es lo que sucedi\u00f3 en Nueva York a principios de este a\u00f1o. El virus fue m\u00e1s mortal all\u00ed de lo que es ahora en California, a pesar de que California tiene hoy m\u00e1s de medio mill\u00f3n de casos.<\/p>\n
Al observar los lugares afectados anteriormente, los cient\u00edficos usan herramientas de pron\u00f3stico para proyectar la gravedad en otros regiones y prepararse antes de lo peor. Y debido a que decisiones como los confinamientos afectan la econom\u00eda, los legisladores deben considerar el efecto en la salud p\u00fablica, el sistema de salud y la econom\u00eda.<\/p>\n
Su herramienta de pron\u00f3stico se destaca por ser especialmente r\u00e1pida y adaptable. Desde su lanzamiento a principios de este a\u00f1o, \u00bfqu\u00e9 nuevos par\u00e1metros se han agregado para mejorar a\u00fan m\u00e1s su capacidad?<\/p>\n
Hemos agregado pron\u00f3sticos a nivel de condado que ahora est\u00e1n disponibles p\u00fablicamente. Adem\u00e1s de dar pron\u00f3sticos de casos positivos, tambi\u00e9n estamos pronosticando muertes desde junio. Tambi\u00e9n hemos realizado algunos ajustes en el propio algoritmo, lo que nos permite hacer pron\u00f3sticos a\u00fan m\u00e1s r\u00e1pido. Ahora podemos entrenar y pronosticar para m\u00e1s de 3000 condados de EE. UU. en menos de 25 segundos. La previsi\u00f3n r\u00e1pida es importante para permitir la ejecuci\u00f3n de los algoritmos en diferentes escenarios hipot\u00e9ticos. Como, \u00ab\u00bfCu\u00e1ntas infecciones veremos en tres meses, si la tendencia actual contin\u00faa?\u00bb o \u00ab\u00bfQu\u00e9 sucede si implementamos un bloqueo durante 1 mes y reabrimos parcialmente durante los pr\u00f3ximos 2 meses?\u00bb<\/p>\n
Y no Ni siquiera necesita ning\u00fan equipo caro o de \u00faltima generaci\u00f3n. \u00a1Estoy ejecutando estos pron\u00f3sticos en una vieja computadora de escritorio reciclada que tengo en casa!<\/p>\n
Ahora comparte sus pron\u00f3sticos de cada condado y estado de EE. UU. con los CDC semanalmente. \u00bfTus pron\u00f3sticos han resultado directamente en un cambio de pol\u00edtica o comportamiento? <\/p>\n
No debemos reclamar el cr\u00e9dito solos. Somos parte de un \u00abcentro de pron\u00f3stico\u00bb que incluye modelos de otros 15 a 20 equipos. Con base en la agregaci\u00f3n de los pron\u00f3sticos de todos los equipos, los CDC generan informes que describen hacia d\u00f3nde nos dirigimos en el futuro cercano y qu\u00e9 estados se espera que muestren rupturas graves. A mediados de junio, las previsiones mostraban un r\u00e1pido aumento de los casos, ya que muchos estados estaban parcialmente abiertos. En julio, muchos estados hab\u00edan vuelto a reglas de distanciamiento m\u00e1s estrictas. No podemos decir con certeza que esas decisiones se tomaron directamente debido a nuestros pron\u00f3sticos, \u00a1pero existe una correlaci\u00f3n!<\/p>\n
Usted tambi\u00e9n asiste a reuniones peri\u00f3dicas con funcionarios de los CDC y otros pronosticadores en todo el pa\u00eds. Con base en esas conversaciones, \u00bfpuede compartir algunas ideas sobre los pr\u00f3ximos pasos?<\/p>\n
Las reuniones con los CDC definitivamente han impulsado algunas de nuestras decisiones de pron\u00f3stico. Est\u00e1bamos informando los pron\u00f3sticos para todos los d\u00edas en el futuro, pero cambiamos a informar semanalmente seg\u00fan su sugerencia. Nos dimos cuenta de que es dif\u00edcil evaluar y sacar conclusiones sensatas sobre los pron\u00f3sticos a nivel de d\u00eda. Otra influencia de los CDC fue generar pron\u00f3sticos a nivel de condado. Si bien hab\u00edamos planeado pron\u00f3sticos a nivel de condado durante un tiempo, comenzamos a generarlos a pedido de los CDC. Es posible que haya o\u00eddo hablar de algunos ensayos de vacunas a gran escala que se est\u00e1n planificando. Los pron\u00f3sticos a nivel de condado enviados por el centro de pron\u00f3stico indican d\u00f3nde se deben realizar estos ensayos.<\/p>\n
Tambi\u00e9n aprendimos que ser\u00eda \u00fatil tener un sistema m\u00e1s estandarizado de informes de datos en todo el pa\u00eds y, si es posible, , alrededor del mundo. Los informes de datos no estandarizados han dificultado la realizaci\u00f3n de pron\u00f3sticos y comparaciones entre diferentes regiones. Como investigadores, debemos ayudar a encontrar formas de abordar mejor este problema.<\/p>\n
Has estado agregando constantemente nuevas capacidades a tu herramienta de pron\u00f3stico durante alg\u00fan tiempo. \u00bfQu\u00e9 espera agregar a continuaci\u00f3n?<\/p>\n
Expandir los escenarios hipot\u00e9ticos es una actualizaci\u00f3n que ver\u00e1 pronto. Podemos mirar hacia el pasado usando nuestro modelo para medir qu\u00e9 medidas de confinamiento y distanciamiento han sido las m\u00e1s efectivas. Por supuesto, tambi\u00e9n podemos hacer lo mismo para medir qu\u00e9 estrategias regionales fueron las menos efectivas. Luego podemos pronosticar en base a estos mejores y peores escenarios. Ya estamos generando tales escenarios en nuestro repositorio p\u00fablico. Es posible que vea esta funci\u00f3n en la p\u00e1gina web interactiva a finales de este mes. Eventualmente, agregaremos m\u00e1s escenarios que los usuarios pueden explorar en l\u00ednea. Tambi\u00e9n se est\u00e1n considerando los pron\u00f3sticos sobre hospitalizaci\u00f3n.<\/p>\n
Tambi\u00e9n hemos estado trabajando en la generaci\u00f3n de pron\u00f3sticos para los vecindarios de Los \u00c1ngeles, que esperamos poner a disposici\u00f3n del p\u00fablico en nuestra p\u00e1gina interactiva este mes. Finalmente, estamos investigando c\u00f3mo los diferentes tipos de negocios pueden afectar la propagaci\u00f3n del virus.<\/p>\n
\u00bfQu\u00e9 consejo, t\u00e9cnico y\/o estrat\u00e9gico, les dar\u00eda a los ingenieros que trabajan en futuros modelos de pron\u00f3stico de epidemias?<\/p>\n
Conf\u00ede en su comprensi\u00f3n de los matices de la situaci\u00f3n, pero tambi\u00e9n mant\u00e9ngalo simple. A los medios les gusta publicar grandes titulares sobre \u00abla IA resuelve\u00bb un problema o \u00abla IA fall\u00f3\u00bb en algo. La realidad es que puede haber mil millones de formas posibles de resolver un problema con IA\/aprendizaje autom\u00e1tico, pero quiz\u00e1s solo unas pocas sean buenas. Depende de los cient\u00edficos humanos tomar la decisi\u00f3n correcta y terminar con una de las \u00abbuenas\u00bb soluciones.<\/p>\n
Cuando se trata espec\u00edficamente del pron\u00f3stico de epidemias, es especialmente importante mantenerlo simple.<\/p>\n
S\u00ed, al hacer que los modelos sean cada vez m\u00e1s complejos al introducir m\u00e1s inc\u00f3gnitas, podemos ajustar cualquier dato. Pero estos modelos no funcionan bien en el pron\u00f3stico a largo plazo debido a lo que llamamos \u00absobreajuste\u00bb. En un art\u00edculo reciente que compartimos en la pr\u00f3xima conferencia de KDD, mostramos c\u00f3mo los modelos demasiado complejos pueden adaptarse a una gran cantidad de datos, pero en realidad nunca aprenden los valores verdaderos y, por lo tanto, nunca producen pron\u00f3sticos correctos.<\/p>\n
La simplicidad tambi\u00e9n es fundamental en hacer que el algoritmo se ejecute m\u00e1s r\u00e1pido. Por supuesto, el pron\u00f3stico debe ser r\u00e1pido para explorar muchos escenarios para miles de condados. Pero la velocidad es igual de importante para las pruebas y la depuraci\u00f3n. Imag\u00ednese si en lugar de 25 segundos, tardara 25 horas en obtener los resultados. Luego, si se da cuenta de que los resultados no tienen sentido, \u00a1debe volver a ejecutar todo! <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por la Universidad del Sur de California Cita<\/strong>: Preguntas y respuestas: los investigadores responden preguntas sobre su herramienta de modelado de COVID y comparten consejos para futuros pronosticadores (2020, 21 de agosto) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-08-qa-covid-tool-advice-future.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: Unsplash\/CC0 Dominio p\u00fablico A principios de este verano cubrimos el trabajo de Viktor Prasanna, presidente de Charles Lee Powell en el Departamento Ming Hsieh de Ingenier\u00eda El\u00e9ctrica e Inform\u00e1tica, y el investigador asociado senior de USC Viterbi, Ajitesh Srivastava, que trabaja en el Laboratorio de Ciencia de Datos dirigido por Prasanna. Los dos, que … Continuar leyendo \u00abPreguntas y respuestas: Investigadores responden preguntas sobre su herramienta de modelado de COVID y comparten consejos para futuros pronosticadores\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-33742","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/33742","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=33742"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/33742\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=33742"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=33742"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=33742"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}