Dokumen ini mengusulkan pendekatan baru yang mengintegrasikan machine learning ke dalam pemodelan penyakit kompartemental untuk memprediksi penyebaran COVID-19. Model kami dapat dijelaskan secara desain karena secara eksplisit menunjukkan perkembangan beragam kompartemen dan menggunakan encoder yang dapat ditafsirkan untuk menggabungkan kovariat dan meningkatkan performa. Keterjelasan sangat penting untuk membantu memastikan kredibilitas perkiraan model bagi ahli epidemiologi dan memberikan keyakinan kepada pengguna akhir seperti pembuat kebijakan dan lembaga layanan kesehatan. Model kami dapat diterapkan di beragam resolusi geografis dan kami mendemonstrasikannya untuk sejumlah negara bagian dan county di Amerika Serikat. Kami menunjukkan bahwa model kami memberikan perkiraan yang lebih akurat daripada alternatif canggih lainnya, serta memberikan insight eksplanatori yang secara kualitatif bermakna.
Ringkasan
Dokumen ini membahas topik-topik berikut:
- Meninjau usulan model kompartemental untuk COVID-19.
- Memahami pilihan desain model yang dibuat agar dapat menggunakan kovariat yang diperlukan untuk memprediksi COVID-19 secara akurat.
- Mendiskusikan mekanisme pembelajaran yang dikembangkan untuk meningkatkan generalisasi sekaligus belajar dari data pelatihan yang terbatas.
- Meninjau beberapa eksperimen untuk membandingkan model kami dengan model COVID-19 lain yang tersedia secara publik.
- Memahami potensi batasan dan kasus kegagalan model kami guna memandu siapa saja yang mungkin menggunakan teknik ini untuk membangun sistem perkiraan yang dapat memengaruhi keputusan kesehatan masyarakat.
Untuk membaca info produk ini selengkapnya, klik tombol: