پيش‌بيني نرخ ابتلا و فوت ناشي از كوويد-19 در ايران با استفاده از شبكه عصبي حافظه طولاني كوتاه‌مدت

مقدمه: گسترش سريع بيماري كوويد-19 به يك تهديد جدي براي جهان تبديل شده است. تاكنون ميليون‌ها نفر در سراسر جهان به اين بيماري مبتلا شده‌اند. همه‌گيري كوويد-19 بر جنبه‌هاي مختلف زندگي بشر اثرات قابل توجهي داشته است. به منظور ايمني و ايجاد تمهيدات لازم، پيش‌بيني نرخ شيوع ويروس در اين زمان ضروري است. اين امر مي‌تواند به كنترل نرخ همه‌گيري و مرگ و مير آن كمك نمايد. مطالعات پيشين، عمدتاً از ابزارهاي آماري و الگوريتم‌هاي مبتني بر يادگيري ماشين استفاده كرده‌اند. هرچند، اولي براي تجزيه و تحليل غيرقابل پيش‌بيني بيماري همه‌گير ناكافي بودند و دومي عمدتاً مشكلات عدم برازش يا بيش‌برازش را تجربه كردند. براي فائق آمدن بر اين مشكلات، مطالعه حاضر روشي مبتني بر يادگيري عميق بر دادگان طولاني مدت را پيشنهاد كرده است. روش: در مطالعه تحليلي - مقطعي حاضر يك رويكرد براي پيش‌بيني موارد ابتلا و فوت شده ناشي از كوويد-19 مبتني بر شبكه‌هاي حافظه طولاني كوتاه‌مدت (Long ShortTerm Memory) LSTM ارائه شد. مدل LSTM روي داده‌هاي سري زماني كشور ايران از تاريخ 1398/11/2 تا 1400/9/23 اجرا شد و معيارهاي ارزيابي RMSE و MAE محاسبه شدند. نتايج: بهترين نتايج اين مطالعه براي پيش‌بيني دادگان فوت شده با 27/57 = RMSE و 19/01 = MAE بوده است. نتايج نشان داد كه شبكه عصبي LSTM كارايي خوبي در پيش بيني موارد ابتلا و فوتي ايران داشته است. نتيجه‌گيري: مدل پيشنهادي نشان داد كه در مدل‌سازي و پيش‌بيني وضعيت شيوع ويروس مناسب بوده است. تخمين افراد مبتلا و فوت شده ناشي از كوويد-19 مي‌تواند به كنترل وضعيت پاندمي كمك كند.