Resumen:
La mortalidad y las predicciones del crecimiento de los casos de covid-19 son importantes para las decisiones en el mundo de la salud, las empresas y las personas que vivieron con la pandemia. Esta labor predictiva es un desafío debido a la evolución del virus, los datos acotados y las respuestas basadas en evidencias de lo vividos en los últimos 3 años. Se define un modelo de serie temporal bayesiano basado en un algoritmo de bosque aleatorio dentro de un modelo compartimental epidemiológico SIRD, aplicado en una automatización de Machine Learning, que provee predicciones de COVID-19 a través de prácticas fundamentadas. El primer modelo mencionado, ajusta una curva específica de la distancia de la velocidad (primera derivada) del
recuento de casos acumulados (operación de acotamiento), estos datos son ransformados logarítmicamente (prolongación de datos en laso de tiempo), a través de 3 ubicaciones en el territorio Argentino e incorporando información previa, sondear y obtener una repartición posterior, con el fin de proyectar las trayectorias de los casos de infecciones, muertes y recuperados.
El modelo compartimental usa esta distribución, predice muertes por medio del
algoritmo Random Forest, en base a los datos obtenidos del dataset raíz, lo que genera
estimaciones de intervalos y muertes en 3 zonas de Argentina con proyecciones diarias. Se evalúa el modelo entrenándolo en períodos progresivos durante de la pandemia y calculando su precisión predictiva en pronósticos de 15 días, para las etapas del modelo; 3 meses para el algoritmo Random Forest; y 4 meses para el algoritmo Bayesiano. La variación sustancial en las trayectorias pronosticadas y la incertidumbre asociada en el epicentro de la pandemia, estas trayectorias se ilustran en una representación de datos, en tres ubicaciones: Buenos Aires, CABA, Córdoba.
La precisión y conteo de este modelo COVID-19 ofrece predicciones confiables y estimaciones de incertidumbre para la trayectoria actual de la pandemia.
