Compartmentalized mathematical model to predict future number of active cases and deaths of COVID-19
Notice bibliographique
Résumé
Abstract In December 2019, China reported a series of atypical pneumonia cases caused by a new Coronavirus, called COVID-19. In response to the rapid global dissemination of the virus, on the 11th of Mars, the World Health Organization (WHO) has declared the outbreak a pandemic. In light of this situation, this paper intends to analyze and improve the current SEIR models to better represent the behavior of the COVID-19 and accurately predict the outcome of the pandemic in a given social, economic and political scenario. We present a novel generalized Susceptible-Exposed-Infected-Recovered (SEIR) compartmental model and test it using a global optimization algorithm with data collected from the WHO. Our main results were: (a) our model was able to accurately fit the data of all countries tested (b) it is possible to predict values for one week ahead with errors in the order of 15% for the number of cases and 30% in the number of deaths for all countries; (c) predictions are better for countries where the active cases curve already reached the maximum; the error being in the order of 10% in the number of cases and 20% in the number of deaths; (d) for countries where the active curve is still growing, different optimization solutions can be found that fit the data; so, to predict future behavior in this scenarios some of the model coefficients should be estimated from outside sources or based on generalized results from other countries according to their health policies of social distance, quarantining and case test and tracing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».