Development of an early warning system for emerging pandemics based on deep learning
Samper Argelagués, Guillem
Yuste Mateos, Victor Jose, tut. (Universitat Autònoma de Barcelona. Departament de Biologia Cel·lular, de Fisiologia i d'Immunologia)
Valveny Llobet, Ernest, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Título variante:	Desenvolupament d'un sistema d'alerta precoç per a pandèmies emergents basat en aprenentatge profund
Título variante:	Desarrollo de un sistema de alerta temprana para pandemias emergentes basado en aprendizaje profundo
Fecha:	2025
Resumen:	Aquest projecte explora l'ús de l'aprenentatge profund per construir un sistema d'alerta precoç per a pandèmies emergents. Es centra en predir les tendències dels casos de COVID-19 utilitzant models de sèries temporals (LSTM i RNN) i avalua si aquests models poden simular l'impacte de les polítiques en salut pública durant l'evolució de la pandèmia. Es van provar múltiples arquitectures, incloent el codificador-descodificador i dissenys autoregressius, utilitzant diferents tipus de polítiques com a característiques. Els models van predir amb èxit nous casos utilitzant només dades de casos passats, aconseguint bones mètriques. No obstant això, no son capaços d'utilitzar les variables sobre polítiques en les seves prediccions. Com a resultat, l'objectiu de simular escenaris alternatius on s'implementin diferents tipus de polítiques no ha sigut assolit. Els resultats suggereixen que l'evolució dels casos és previsible sense dades contextuals, fet que limita el potencial en altres casos d'ús.
Resumen:	Este proyecto explora el uso de herramientas de aprendizaje profundo para construir un sistema de alerta temprana para pandemias emergentes. Se centra en la predicción de la evolución de los casos de COVID-19 mediante modelos de series temporales (LSTM y RNN), y evalúa si estos modelos pueden simular el impacto de las políticas de salud pública en el desarrollo de la pandemia. Se probaron múltiples arquitecturas, incluyendo diseños encoder-decoder y autoregresivos, utilizando distintos tipos de políticas como variables. Los modelos lograron predecir nuevos casos utilizando únicamente datos de casos anteriores, obteniendo buenos resultados en las métricas de rendimiento. Sin embargo, no fueron capaces de incorporar de manera significativa las variables relacionadas con las políticas. Como resultado, no se pudo alcanzar el objetivo de simular escenarios alternativos en los que se implementaran diferentes tipos de políticas. Los hallazgos sugieren que la evolución de los casos puede predecirse sin datos contextuales, pero esto limita su potencial para otros casos de uso.
Resumen:	This project explores the use of deep learning to build an early warning system for emerging pandemics. It focuses on predicting COVID-19 case trends using time-series models (LSTM and RNN) and evaluates whether these models can simulate the impact of public health policies on the evolution of the pandemic. Multiple architectures were tested, including encoder-decoder and autoregressive designs, using different kinds of policies as features. The models successfully predicted new cases using past case data alone, achieving strong performance metrics. However, they failed to incorporate policy features meaningfully. As a result, the goal of simulating alternative scenarios where different kinds of policies are implemented could not be fulfilled. The findings suggest that case evolution is predictable without contextual data, but this limits the potential for other use cases.
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Lengua:	Anglès
Titulación:	Grau en Intel·ligència Artificial [2504392]
Plan de estudios:	Intel·ligència Artificial [1497]
Documento:	Treball final de grau ; Text
Materia:	Modelització de pandèmies ; Predicció de sèries temporals ; LSTM ; RNN ; Política de salut pública ; Modelización de pandemias ; Predicción de series temporales ; Política de salud pública ; Pandemic modeling ; Time series forecasting ; Public health policy

11 p, 1.8 MB

El registro aparece en las colecciones:
Documentos de investigación > Trabajos de Fin de Grado > Escuela de Ingeniería. TFG