Machine learning: caso studio per prevedere ricoveri Covid-19 in Lombardia

I modelli compartimentali sono stati a lungo utilizzati negli studi epidemiologici per prevedere la diffusione delle malattie. Tuttavia, un problema importante quando si utilizzano modelli matematici compartimentali riguarda la formulazione invariante nel tempo degli iper-parametri che impediscono al modello di seguire l’evoluzione nel tempo del fenomeno epidemiologico in esame.

Per far fronte a questo problema, il documento “”Limiti dei modelli compartimentali e nuove opportunità per il Machine Learning: Un caso di studio per prevedere la seconda ondata di ricoveri per COVID-19 in Lombardia, Italia” suggerisce un approccio ibrido alternativo basato sul Machine Learning che evita il ricalcolo degli iper-parametri e utilizza solo un set iniziale.

Lo studio, condotto da un team di ricercatori italiani tra cui gli scienziati del CMCC, mostra che l’approccio ibrido proposto permette di correggere la perdita di precisione attesa osservata nel modello compartimentale quando l’orizzonte temporale considerato aumenta. Come caso di studio, un modello compartimentale di base è stato progettato e testato per prevedere i ricoveri Covid-19 durante la prima e la seconda ondata pandemica in Lombardia, Italia. Il modello si basa su una formulazione estesa della funzione di contatto che permette di modellare l’andamento dei contatti personali durante il periodo di riferimento.

Inoltre, l’analisi di scenario proposta in questo lavoro può aiutare i decisori politici a selezionare le misure di contenimento più appropriate per ridurre i ricoveri e alleviare la pressione sul sistema sanitario, ma anche per limitare eventuali impatti negativi sul sistema economico e sociale.

Leggi il documento originale su: Machine learning: a case study to forecast COVID-19 hospitalizations in Lombardy, Italy