Questo documento propone un nuovo approccio che integra il machine learning nella modellazione compartimentale epidemiologica per prevedere la progressione del COVID-19. Il nostro modello è spiegabile per progettazione perché mostra esplicitamente come si evolvono i diversi compartimenti e utilizza codificatori interpretabili per incorporare le covariate e migliorare le prestazioni. La spiegabilità è utile per garantire che le previsioni del modello siano credibili per gli epidemiologi e per infondere fiducia negli utenti finali, come i responsabili delle politiche e gli istituti sanitari. Il nostro modello può essere applicato a diverse risoluzioni geografiche e lo dimostriamo per stati e contee negli Stati Uniti. Dimostriamo che il nostro modello fornisce previsioni più accurate rispetto alle alternative all'avanguardia e che fornisce approfondimenti esplicativi qualitativamente significativi.
Panoramica
Questo documento descrive quanto segue:
- Esamina il modello compartimentale proposto per il COVID-19.
- Comprendere le scelte di progettazione del modello effettuate per utilizzare le covariate necessarie per prevedere con precisione il COVID-19.
- Discuti i meccanismi di apprendimento sviluppati per migliorare la generalizzazione durante l'apprendimento da dati di addestramento limitati.
- Esamina diversi esperimenti per confrontare il nostro modello con altri modelli COVID-19 disponibili pubblicamente.
- Comprendere i potenziali limiti e casi di errore del nostro modello per guidare coloro che potrebbero utilizzare le tecniche per creare sistemi di previsione che possono influire sulle decisioni di sanità pubblica.
Per leggere il white paper completo, fai clic sul pulsante: