Impatto delle politiche di vaccinazione e mobilità sull'andamento dell'epidemia da SARS-CoV-2 utilizzando algoritmi di DeepLearning
Aree / Gruppi di ricerca
Partecipanti al progetto
Descrizione del progetto
We have developed a Deep Learning approach for spatio-temporal forecasting of mew cases and new hospitalizations of COVID-19 spread, which has been adopted by the Epidemiology Unit of Reggio-Emilia. We implemented a ConvLSTM, which is a spatio-temporal deep learning approach, to perform a 7-day moving average to forecast the 7th day after. We used as training and validation set the new daily infections and hospitalizations from August 2020 to March 2021. Finally, we assessed the models in terms of Mean Absolute Error compared with Mean Observed Value and Root Mean Squared Error on data from April to September 2021. We tested the performance of different combinations of input variables to find the best forecast model. ConvLSTM achieved good performances in forecasting new SARS-COV-2 infections and new COVID-19 hospitalizations. The spatio-temporal representation allows to borrow strength from data neighboring to forecast at the level of the square cell (12 km)2, getting accurate predictions also at county level, which is paramount to help in optimizing the real-time allocation of health care resources. Data-driven prediction models are often mistakenly used to draw causal effects, but neither their parameters nor their predictions necessarily have a causal interpretation. Therefore, the premise that data-driven prediction models lead to trustable decisions/interventions for precision medicine is questionable. In this project we aim to extend the ConvLSTM model to embed scenario analysis, by means of Deep Learning of Potential Outcomes and Integral Probability Metrics.
Abbiamo sviluppato un approccio di Deep Learning per la previsione spazio-temporale dei nuovi casi e dei nuovi ricoveri di COVID-19, che è stato adottato dall’Azienda Unità Sanitaria Locale-Istituto di Ricovero e Cura a Carattere Scientifico di Reggio Emilia. Abbiamo implementato un modello ConvLSTM, che è un approccio di deep learning con una componente spazio-temporale, per fare una previsione a 7 giorni dell’andamento dell’epidemia. Abbiamo utilizzato come set di addestramento e validazione del modello i casi ed i ricoveri giornalieri da agosto 2020 a marzo 2021. Infine, abbiamo testato il modello in termini di errore medio assoluto sui dati da aprile a settembre 2021. Abbiamo testato le prestazioni di diverse combinazioni di variabili di input per selezionare il miglior modello di previsione. ConvLSTM ha ottenuto buone performance nella previsione di nuove infezioni da SARS-COV-2 e nuovi ricoveri per COVID-19. La rappresentazione spazio-temporale permette di sfruttare la distribuzione geografica dei dati vicini ad un livello di precisione di 12 km2, ottenendo previsioni accurate anche a livello provinciale, fondamentale per aiutare a ottimizzare l'allocazione in tempo reale delle risorse per l'assistenza sanitaria. I modelli di previsione basati sui dati sono spesso utilizzati erroneamente per trarre effetti causali, ma le loro previsioni hanno necessariamente un'interpretazione causale. In questo progetto miriamo ad estendere il modello ConvLSTM per incorporare l'analisi di scenario, mediante l’introduzione degli outcome potenziali e metodi di Integral Probability Metrics.