永利皇宫463cc焦点：基于 AI 的新型、稳健的 COVID-19 模型可预测疾病患病率和新感染

过去可能并不能直接预示未来的表现。 然而，根据来自各种来源的全国性、逐州案例数据，由领导的永利皇宫463cc小组乔治亚·佩拉基斯教授开发了一个模型，可以根据州一级的病例和死亡情况提前几周预测疾病流行情况。他们工作的引擎结合了机器学习和流行病学，开发了一种新颖的、由三部分组成的加权算法。 Perakis教授的团队由来自的五名博士生组成运筹中心：Mohammed Amine Bennouna、Divya Singhvi、Omar Skali Lami、Ioannis Spantidakis 和 Leann Thayaparan 以及 EMBA 学生 Boyan N. Peshlov。金融硕士项目的学生 David Nze Ndong 最近加入了该团队。

预测 COVID-19 检测结果和死亡人数

他们通过搜索其他州过去的类似模式来预测每个州和华盛顿特区的 COVID-19 病例数。然后，他们使用几种类型模型的加权组合来进行预测。他们的工作处于公共卫生和运筹学的交叉点：他们使用流行病学模型以及机器学习算法。流行病学模型帮助他们计算总体预测；然后，巧妙部署的机器学习使他们能够考虑其他州级特征。  具体来说，该团队使用 3 月 15 日至 6 月 15 日的 COVID-19 检测数据来预测 6 月底和 7 月的结果。对于大多数州来说，该模型非常接近实际数字；在其他情况下，模型将进一步调整。该模型可以通过两种方式进行调整：使用额外的数据，以及进一步细化模型的结构，以考虑随着大流行的展开而出现的 COVID-19 大流行的具体复杂性。  该模型已经通过流动数据解释了美国人口行为的变化，但进一步的改进包括添加细节，例如明确考虑政府政策（例如，推动戴口罩和保持社交距离），以及从第二波浪潮等系统性变化中学习。  起初，该模型预测的阳性检测结果总数与该国实际数量的误差在 6% 以内。经过进一步完善，截至6月中旬，该模型能够提前两周预测实际检测阳性人数在2.2%以内，实际死亡人数在3.5%以内。佩拉基斯和团队的下一步是将这个模型从全国范围和州级的数据改进为县级的预测。这些信息可能是为政策决策提供信息的关键，例如何时以及如何开放大学和大型企业。

预测患病率 - 有多少人被感染？

该模型超出了基于 COVID-19 测试预测病例总数的范围。虽然这个数字允许永利皇宫463cc人员通过比较模型与测试数据的匹配程度来测试模型的准确性，但感染 COVID-19 的真实人数（患病率）大于测试呈阳性的人数，因为并不是每个人都接受了测试。

该项目的一个单独部分解决了这一挑战。该团队根据模型进行推断，并使用概率论让算法计算出真实流行率，即感染 COVID-19 的实际人数。这个数字包括出现症状的人、出现症状的人以及无症状的人。目标是对所有具有传染性的人负责。对于那些致力于使用最佳公共卫生数据做出决策的人来说，这些信息至关重要。

Perakis 的领导力和她的团队的努力是永利皇宫463cc学院斯隆管理学院及时、创新和有价值的工作的一个例子。基于机器学习的预测模型巧妙地适应了公共卫生问题，提供了其他方式可能无法提供的及时且可操作的结果。