Buscar Información sobre COVID-19 y La Reapertura

¿Cómo está utilizando el Estado los datos para tomar decisiones y frenar la propagación de COVID-19?

Trabajando con un equipo de analistas de datos (data scientists) y epidemiólogos, el Estado está utilizando varios modelos dinámicos de epidemiología y crecimiento para predecir la propagación del virus y la necesidad de camas de hospital, unidades de cuidados intensivos, ventiladores y equipos de protección personal a nivel hospitalario, de condado y estatal.

Los modelos tienen en cuenta la norma agresiva de distanciamiento social de Nueva Jersey junto con lo que sucedió en otros países y adaptan esos hallazgos a las variaciones observadas a nivel de condado e incluso a nivel hospitalario en nuestro estado. Mediante la combinación de los modelos, hemos podido lograr predicciones precisas para pronósticos de 10 días, y también hemos establecido pronósticos a largo plazo.

Específicamente, teniendo en cuenta la agresiva norma de distanciamiento social en Nueva Jersey, hemos desarrollado múltiples modelos de crecimiento adaptativo utilizando procesos multivariables de Hawkes y principios de teoría de control para el pronóstico a corto plazo: estos modelos fueron desarrollados por investigadores de la Universidad de Nueva York y La investigación de IA de Facebook. Para los pronósticos a largo plazo, el Estado utiliza múltiples modelos, que incluyen versiones dinámicas de modelos SIR y modelos SEIR, y modelos de variación de crecimiento de distanciamiento social que utilizan algoritmos de aprendizaje por transferencia desarrollados por investigadores de la Universidad de Nueva York. El Estado también monitorea continuamente el modelo del Instituto de Métricas y Evaluación de la Salud (IHME) de la Universidad de Washington, así como el Modelo de Impacto Hospitalario de COVID-19 para Epidemias (CHIME), desarrollado por el Equipo de Salud Predictiva de la Facultad de Medicina de la Universidad de Pensilvania.

Pronósticos a corto plazo

  • Modelo de crecimiento adaptativo con agrupación inter-condal: En este modelo, desarrollado por Lakshmi Subramanian del NYU Courant Institute y Srikanth Jagabathula del NYU Stern School of Business, estimamos directamente la tasa de crecimiento de nuevos casos confirmados a nivel de condado utilizando una ecuación de tasa de aprendizaje comúnmente utilizada en la teoría de control y algoritmos de descenso de gradiente. Utilizamos el suavizado exponencial de las entradas de parámetros para tener en cuenta los picos a nivel de condado, los informes y las fluctuaciones de las pruebas. Utilizamos el agrupamiento entre condados para conocer las variaciones tempranas de la tasa de crecimiento en los condados con datos muy limitados y suavizar las variaciones entre los condados.
  • Proceso multivariables de Hawkes: Otro modelo que utiliza el Estado para el pronóstico a corto plazo, desarrollado por el equipo de inteligencia artificial de Facebook, entrena un proceso multivariable de Hawkes (que se usa comúnmente en el modelado de precios de acciones financieras) para entrenar un modelo a nivel de condado y otro modelo colectivo a nivel estatal.

Ambos modelos se actualizan diariamente y proporcionan pronósticos de 7 a 14 días.

Pronóstico a largo plazo

  • SIR Dinámico: El modelo SIR (susceptible-infectado-recuperado) se usa ampliamente para el modelado epidemiológico. La herramienta del CHIME (Modelo de Impacto Hospitalario de COVID-19 para Epidemias) utiliza el modelo SIR, pero establece manualmente los parámetros del modelo SIR en función del tiempo de duplicación y el distanciamiento social. Si bien el modelo CHIME aprovecha un parámetro de distanciamiento social, el Estado también utiliza un modelo SIR dinámico que adapta el parámetro del índice de mezcla (que captura el número de personas con las que entra en contacto cada persona infectada) en función de los datos observados en las variaciones de la tasa de crecimiento a nivel de condado para proporcionar un modelo adicional a largo plazo que capture aún más el impacto de las normas de distanciamiento social actualmente en vigor en Nueva Jersey.
  • Modelo SEIR Dinámico: Ampliando nuestro modelo SIR dinámico, capacitamos los parámetros de un modelo SEIR (susceptible-expuesto-infectado-recuperado) de manera dinámica a nivel de condado en función de las variaciones de crecimiento observadas en los datos a nivel de condado y estatal. El modelo dinámico SEIR, desarrollado por Subramanian y Jagabathula, utiliza las variaciones de crecimiento para ajustar de forma adaptativa los parámetros SEIR, en esencia, variando el valor R0 del modelo epidemiológico a lo largo del tiempo para capturar el impacto de las normas de distanciamiento social actualmente en vigor en Nueva Jersey.
  • Modelado de variación de crecimiento por distanciamiento social usando el aprendizaje por transferencia: Los modelos epidemiológicos tradicionales no capturan el comportamiento de limitación de movimiento. Para dar cuenta de eso, en este modelo, también desarrollado por Subramanian y Jagabathula, estudiamos las variaciones de la tasa de crecimiento en otros países después de que se hayan emitidos normas de distanciamiento social y utilizamos el aprendizaje por transferencia para determinar las variaciones de crecimiento apropiadas que mejor se adapten a los datos para Nueva Jersey. Este modelo es especialmente útil para aprender los escenarios de picos en el mejor, medio y peor de los casos.

Con la ayuda de este conjunto de pronósticos, el Estado está en mejores condiciones para tomar decisiones difíciles sobre qué recursos críticos adquirir, dónde desplegar estos recursos críticos, anticipar posibles focos de infección y garantizar que aquellos que necesitan atención puedan obtenerla cuando más la necesiten.

Fecha de actualización: 10/12/2020