Machine learning per a l'optimització d'un model epidemiològic en tuberculosi

Abstract

En aquest treball s'han usat tècniques de machine learning per a aconseguir models de regressió d'un model epidemiològic. Aquest model serveix per predir l'evolució de la tuberculosi en un districte de Barcelona (Ciutat Vella). S'ha aconseguit ajustat el model a dades experimentals dels últims 10 anys. Per obtenir el conjunt de dades amb el que s'ha treballat s'han hagut de determinar els paràmetres d'entrada i sortida del model. Pels paràmetres d'entrada s'ha establert un rang de valor plausibles a explorar. El mostreig del model s'ha realitzat amb la tècnica de mostreig Latin Hypercube Sample. Les dades obtingudes a partir d'aquest mostreig són les que s'han usat com a paràmetres d'entrada pel model epidemiològic. A partir de les simulacions realitzades amb el model epidemiològic s'ha aconseguit obtenir el conjunt de variables de sortida amb el que s'ha treballat.

En este trabajo se han usado técnicas de machine learning para conseguir modelos de regresión de un modelo epidemiológico. Este modelo sirve para predecir la evolución de la tuberculosis en un distrito de Barcelona (Ciutat Vella). Se ha conseguido ajustado el modelo a datos experimentales de los últimos 10 años. Para obtener el conjunto de datos con el que se ha trabajado se han tenido que determinar los parámetros de entrada y salida del modelo. Por los parámetros de entrada se ha establecido un rango de valor plausibles a explorar. El muestreo del modelo se ha realizado con la técnica de muestreo Latin Hypercube Sample. Los datos obtenidos a partir de este muestreo son las que se han usado como parámetros de entrada por el modelo epidemiológico. A partir de las simulaciones realizadas con el modelo epidemiológico se ha conseguido obtener el conjunto de variables de salida con el que se ha trabajado.

In this work, Machine Learning techniques are used to achieve regression models of an existing epidemiological model. This model is used to predict tuberculosis evolution in a district of Barcelona (Ciutat Vella). The model was properly adjusted to the last 10 years tuberculosis data. There were determined the input and output interest parameters of the model. For each input parameter it was determined an intervals of interest. All intervals were explored using Latin Hypercube Sample technique. This sampling was used to compute multiple evaluations of the epidemiologic model. The results of the model and the sample of parameters were used to train Machine Learning models to adjust the regression models.