این مقاله، مقاله ای دیگر در زمینه کووید 19 است که در آن کشورهای جهان خوشه بندی و با استفاده از مدل GXBoost موارد تایید شده، مرگ و بهبود یافته در آینده پیش بینی شده است. دو مدل XGBoost و LSTM جزو قوی ترین مدل های یادگیری ماشین هستند.

خلاصه مقاله

زمینه و هدف: کووید-19 یک بیماری عفونی بسیار مسری است و زندگی روزمره مردم را تحت تاثیر قرار داده و نگرانی زیادی برای دولت ها و مسئولان بهداشت عمومی ایجاد کرده است. پیش‌بینی رفتار آینده آن ممکن است برای تخصیص منابع پزشکی و تعریف استراتژی‌های مؤثر برای کنترل بیماری و غیره مفید باشد.

مواد و روش‌ها: داده‌های جمع‌آوری‌شده، تعداد تجمعی و مطلق موارد تایید شده، فوتی و بهبودی کووید-19 از 30 فوریه تا 3 جولای 2021 بود. از تحلیل خوشه‌ای سلسله مراتبی استفاده کردیم. برای پیش‌بینی رفتار آینده کووید-19، مدل های boosted ARIMA، boosted Prophet، ARIMA، ETS، Prophet، Naive، Seasonal Naive  بررسی شدند.

یافته‌ها: نتایج خوشه‌بندی نشان‌دهنده رفتار مشابه ویروس کرونا در ایران و سایر کشورها مانند فرانسه، روسیه، ترکیه، انگلستان (انگلیس)، آرژانتین، کلمبیا، ایتالیا، اسپانیا، آلمان، لهستان، مکزیک و اندونزی بود. همچنین الگوهای مشابه SARS-CoV-2 را برای همان کشورها در شش گروه نشان داد. نتایج نشان داد که خانواده مدل‌های XGBoost از دقت بالاتری نسبت به سایر مدل‌ها برخوردار بودند.

نتیجه گیری: در ایران، کووید-19 الگوهای رفتاری مشابهی با کشورهای توسعه یافته مورد مطالعه نشان داد. خانواده مدل‌های XGBoost نتایج عملی و دقت بالایی در پیش‌بینی الگوهای رفتاری ویروس نشان دادند. با توجه به گسترش سریع ویروس در سراسر جهان، از این مدل‌ها می‌توان برای پیش‌بینی الگوهای رفتاری SARS-CoV-2 استفاده کرد. پیشگیری از شیوع ویروس کرونا، کنترل بیماری و گسستن زنجیره آن مستلزم کمک جامعه است و در این مأموریت نمی توان از نقش آمارگیران غافل شد.

nasrin talkhi

نسرین تلخی

دانشجوی دکتری آمار زیستی

مشاور آمار، دیتاساینتیست، علاقه مند به برنامه نویسی