Pronóstico de tendencias de infección por COVID-19 basado en el transformador de fusión temporal utilizando...

Área de la Ciencia:

• Epidemiología
• Salud Pública
• Ciencia de Datos

Sus antecedentes:

• La pandemia de COVID-19 subrayó la necesidad de una vigilancia avanzada de enfermedades infecciosas.
• El modelado predictivo y el análisis de series temporales son cruciales para pronosticar las tendencias de la enfermedad y fundamentar las estrategias de salud pública.

Objetivo del estudio:

• Desarrollar y evaluar un modelo multivariante de pronóstico de series temporales para predecir la dinámica de casos de COVID-19.
• Evaluar el impacto de los factores ambientales (calidad del agua residual, calidad del aire, clima) en la predicción de la transmisión de COVID-19.

Principales métodos:

• Desarrollo de un modelo de transformador de fusión temporal (TFT) que incorpora variables estáticas y variables que cambian con el tiempo.
• Utilización de datos de casos de COVID-19 a nivel de distrito y variables ambientales de febrero de 2020 a mayo de 2022.
• Comparación de la predicción directa del número de casos con la estimación indirecta basada en cambios proporcionales.

Principales resultados:

• La incorporación de variables ambientales mejoró el rendimiento de pronóstico del modelo TFT en un 17%.
• El modelo capturó la naturaleza no estacionaria y dependiente del tiempo de los datos de COVID-19 (R² = 0.962).
• La estimación indirecta del número de casos arrojó una precisión predictiva superior (R² = 0.984) en comparación con la predicción directa.

Conclusiones:

• Los enfoques de aprendizaje profundo, en particular los modelos TFT, ofrecen un valor significativo para el pronóstico epidemiológico.
• La integración de datos ambientales mejora la precisión de la predicción de tendencias de enfermedades infecciosas.
• El pronóstico preciso apoya las intervenciones de salud pública oportunas y la asignación optimizada de recursos.