医疗保健中的人工智能:结合深度学习和贝叶斯优化来预测COVID-19确诊病例

科学领域:

• 流行病学 流行病学
• 计算健康 计算健康
• 传染病建模 传染病建模

背景情况:

• COVID-19 疫情对全球健康,经济和福祉产生了重大影响.
• 准确预测COVID-19病例对于有效的公共卫生干预至关重要.
• 现有的预测方法在精度和适应性方面面临挑战.

研究的目的:

• 用贝叶斯优化 (BOA) 和深度学习 (DL) 来预测沙特阿拉伯确诊的COVID-19病例.
• 为了比较BOA和DL模型在预测COVID-19感染中的有效性.
• 为了提高公共卫生决策的预测准确性.

主要方法:

• 利用了来自沙特阿拉伯,英国和突尼斯 (2020-2021) 确诊的COVID-19病例的时间序列数据.
• 在初始预测尝试中应用贝叶斯优化 (BOA).
• 实施了深度学习方法,特别是深度Q网络 (DQN) 模型,用于增强预测.

主要成果:

• 该BOA模型在准确地将预测与假设对齐方面遇到了局限性.
• 与BOA相比,DQN深度学习模型表现出优越的性能.
• 在预测COVID-19病例方面,DQN实现了更好的准确度指标 (RMSE和MAPE).
• DQN模型的奖励功能提高了培训效率,工作周期减少了约28%,数据开销减少了50%以上.

结论:

• 深度学习,特别是DQN模型,为COVID-19病例预测提供了比BOA更精确的方法.
• 开发的DQN模型显示了优化公共卫生资源分配和干预策略的潜力.
• 进一步的研究可以探索将额外的流行病学因素整合到DQN模型中,以获得更高的准确性.