机器学习模式有助于CDC预测Covid-19的传播
![A diagram of the machine-learning model. One feature of of SuEIR is that people in both “exposed” and “infectious” can infect people in “susceptible,” as indicated by the dashed arrows. Credit: Samueli School of Engineering 机器学习模式有助于CDC预测Covid-19的传播](https://scx1.b-cdn.net/csz/news/800a/2020/33-machinelearn.jpg)
在UCLA Samueli工程学院开发的机器学习模式正在帮助疾病控制和预防中心预测Covid-19的传播。
该模型是由一支由Quanquan Gu,电脑科学助理教授的Quanquan Gu领导的团队创建的,现在它是一个饲养的13种型号之一Covid-19预测集线器在马萨诸塞州大学。来自该集线器的数据,反过来源于CDC的数据在线预测对于这种疾病如何继续传播。
顾说,他的模特比大多数更准确,因为它不仅仅依赖于确认的Covid-19案例和死亡。它是流行病学驱动的,是使用的枢纽中的两个模型之一机器学习。
模型的名称,UCLA-Sueir.,来自五种类型的观察和推断的Covid-19数据,该数据分为其预测 - 分类为易感,未报告,暴露,传染性和恢复的案件数量。
UCLA模型是独一无二的,因为它并不简单地符合当前曲线,该曲线仅基于报告的情况。相反,它揭开了模型的数据分析中未经测试和未报告的案例的数量,并使用这些推论来预测疾病将如何传播。这被称为“疫情模型”,因为它考虑了影响疾病传播速率的各种因素。
UCLA-Sueir基于死亡人数和确认的国家和县级模型报告的案件纽约时报基于约翰霍普金斯大学报告的数据和国家模型。
马萨诸塞州大学在顾在顾客向富裕的生物统治器教授Nicolas Reich颁发的尼古拉斯帝国教授德里奇发送了大学5月6日之前为其中心的模特添加到其中心。顾人的团队已经注意到,集线器中的几个模型正在产生不同的预测,主要是基于曲线拟合模型。
“没有任何流行模型,曲线拟合模型的投影是非常误导的,因为它只取决于观察到的数据模式,而忽略了推动数据的底层流行动态,”顾说说。
UCLA团队通过在未来确认的病例,死亡和恢复的案件提前一周进行预测来检查其模型的准确性,然后验证实际报告的数据。该模型的机器学习算法使GU能够在不到五秒钟内培训新的原型,并允许团队每天更新其型号,这比其他模型更有效。顾人的团队实际上已经为美国的全部创造了232个子模型,总体而言,以及每个州和181个拥有超过1,000个确认案件的县的一个。
GU表示,UCLA模型一直是马萨诸塞州集中心的最准确,在预测美国和大多数州的死亡计数,以及它是最能与全国报告的死亡人数相匹配的前三个模型中的前三种模式。
这项工作远远超过数学练习。“我们的模式可以帮助衡量政府政策的有效性,例如社会疏远,留在家庭订单,面部面具和封面或自治区的使用,以及预测各国重新打开的案件中可能的重新恢复”顾说。
该模型也可用于评估一个区域是否足够的人,这可以帮助官员了解是否需要更多测试。
根据团队的预测,Covid-19案件的数量将为美国总体的6月1日为6月1日,而加利福尼亚州将达到7月1日,洛杉矶案件将达到6月7日的峰值。
顾球队正在努力改进模型从医院和重症监护手册中考虑到县级数据,这可能会产生预测,该当局可以使用,以更好地分配医疗保健工作者,个人防护设备和呼吸机等资源。
用户评论