Resumen

Objetivo. Esta investigación tuvo como objetivo explorar la aplicación de un modelo matemático basado en el aprendizaje profundo en el control de la infección hospitalaria de la nueva neumonía por coronavirus (COVID-19). Métodos. En primer lugar, se utilizaron los datos epidémicos de Pekín, China, para realizar un ajuste del modelo susceptible-infectado-eliminado (SIR) determinado para determinar el valor estimado de la intensidad de eliminación β de COVID-19, que luego se utilizó para realizar un modelo SIR determinado y un ajuste del modelo SIR estocástico para el hospital. Además, se determinaron las estimaciones razonables β y γ del hospital, y se simuló la propagación de la epidemia en el hospital, para discutir el impacto de los cambios en el número reproductivo basal, el aislamiento, la vacunación, etc., sobre COVID-19. Resultados. Hubo un cierto desfase entre el ajuste del SIR al removedor y los datos reales. El ajuste del número de infecciones fue exacto. La tasa de crecimiento del número de infecciones disminuyó tras la adopción de medidas como el aislamiento. El efecto de la inmunidad de rebaño se alcanzó cuando la inmunidad global alcanzó el 70,9%. Conclusiones. El modelo SIR basado en aprendizaje profundo y el modelo estocástico de ajuste SIR fueron precisos para juzgar la tendencia de desarrollo de la epidemia, lo que puede proporcionar la base y la referencia para el control de la infección epidémica hospitalaria.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:hospital, aprendizaje profundo, intensidad de eliminación COVID-19 β, cambios en el número reproductivo basal, control de infecciones epidémicas hospitalarias, ajuste estocástico del modelo SIR, modelo SIR determinado, control de infecciones hospitalarias, COVID-19, SIR
• Keywords:hospital, deep learning, COVID-19 removal intensity β, basal reproductive number changes, hospital epidemic infection control, stochastic SIR model fitting, determined SIR model, hospital infection control, COVID-19, SIR