Journal international d'intelligence d'essaim et de calcul évolutif

Abstrait

Attracteurs chaotiques de faible dimension dans l'occupation quotidienne des hôpitaux due au COVID-19 aux États-Unis et au Canada

Carlos Pedro Gonçalves*

L'application épidémiologique des méthodes de la théorie du chaos a révélé l'existence de marqueurs chaotiques dans les données épidémiologiques du SARSCoV-2, notamment des attracteurs de faible dimension avec des exposants de Lyapunov positifs, et des marqueurs de preuve d'une dynamique proche du début du chaos pour différentes régions. Nous approfondissons ces travaux antérieurs en réalisant une étude comparative des cas quotidiens d'occupation des hôpitaux COVID-19 aux États-Unis et au Canada, en appliquant une combinaison de méthodes de théorie du chaos, d'apprentissage automatique et d'analyse de données topologiques. Les deux pays présentent des marqueurs de chaos de faible dimension pour les données d'hospitalisation COVID-19, avec une prévisibilité élevée pour les systèmes d'intelligence artificielle adaptative exploitant la structure de récurrence de ces attracteurs, avec des scores R2 supérieurs à 95 % ^pour une prédiction jusqu'à 42 jours à l'avance. Les preuves sont favorables au fait que les hospitalisations aux États-Unis sont plus proches du début du chaos et plus prévisibles qu'au Canada, les raisons de cette prévisibilité plus élevée étant expliquées par l'utilisation de méthodes d'analyse de données topologiques.