Aplicación de Deep Neural Network para la predicción de incidencias en COVID-19

Abstract

La pandemia por COVID-19 no solo está causando una alta mortalidad en población vulnerable en todo el mundo, también está ejerciendo un estrés considerable en los sistemas de salud con grandes números de casos que deben ser atendidos, siendo las unidades de cuidados intensivos las más afectadas. Tomando en consideración este panorama, se requiere contar con sistemas que permitan la predicción del potencial número de pacientes infectados para reforzar las necesidades institucionales y atacar de manera efectiva la enfermedad, brindando la mejor atención posible. Algunas instituciones han realizado esfuerzos para contar con indicadores de la enfermedad, por ejemplo, el hospital John Hopkins cuenta con un mapa en tiempo real alimentado por múltiples fuentes de información. Sitios de internet como Worldometers, muestra datos actualizados cada día de infectados, fallecimientos, recuperados y test realizados a la población. Desafortunadamente, este tipo de estadísticas son una mezcla de individuos de diferentes naciones, con diferentes comorbilidades, con métodos de detección o intervención desiguales y no predictivos. Este trabajo busca por medio de Redes Neuronales Profundas (del inglés, Deep Neural Networks, DNN) el análisis predictivo de COVID-19 y su comparación con métodos estadísticos tradicionales.

The COVID-19 pandemic is not only causing high mortality in vulnerable populations around the world, it is also exerting considerable stress on health systems with large numbers of cases that must be treated, with intensive care units being the most affected. Taking this panorama into consideration, it is necessary to have systems that allow the prediction of the potential number of infected patients to reinforce institutional needs and effectively attack the disease, providing the best possible care. Some institutions have made efforts to have indicators of the disease, for example, the John Hopkins Hospital has a real-time map fed by multiple sources of information. Internet sites such as Worldometers, shows updated data every day of infected, deaths, recovered and tests carried out on the population. Unfortunately, these types of statistics are a mixture of individuals from different nations, with different comorbidities, with uneven and non-predictive methods of detection or intervention. This work seeks through the Deep Neural Network the predictive analysis of COVID-19 and its comparison with traditional statistical methods.

La pandèmia per COVID-19 no només està causant una alta mortalitat en població vulnerable a tot el món, també està exercint un estrès considerable en els sistemes de salut amb grans nombres de casos que han de ser atesos, sent les unitats de cures intensives les més afectades. Prenent en consideració aquest panorama, es requereix comptar amb sistemes que permeten la predicció de el potencial nombre de pacients infectats per reforçar les necessitats institucionals i atacar de manera efectiva la malaltia, brindant la millor atenció possible. Algunes institucions han fet esforços per comptar amb indicadors de la malaltia, per exemple, l'hospital John Hopkins compta amb un mapa en temps real alimentat per múltiples fonts d'informació. Llocs d'internet com Worldometers, mostra dades actualitzades cada dia d'infectats, defuncions, recuperats i tests realitzats a la població. Malauradament, aquest tipus d'estadístiques són una barreja d'individus de diferents nacions, amb diferents comorbiditats, amb mètodes de detecció o intervenció desiguals i no predictius. Aquest treball busca per mitjà de Xarxes Neuronals Profundes (de l'anglès, Deep Neural Networks, DNN) l'anàlisi predictiu de COVID-19 i la seva comparació amb mètodes estadístics tradicionals.