Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Niedrigdimensionale chaotische Attraktoren bei der täglichen Krankenhausbelegung aufgrund von COVID-19 in den USA und Kanada

Carlos Pedro Goncalves*

Die epidemiologische Anwendung von Methoden der Chaostheorie hat die Existenz chaotischer Marker in den epidemiologischen Daten von SARSCoV-2 aufgedeckt, darunter niedrigdimensionale Attraktoren mit positiven Ljapunow-Exponenten und Beweismarker einer Dynamik, die in verschiedenen Regionen nahe dem Beginn des Chaos liegt. Wir bauen auf diesen früheren Arbeiten auf und führen eine vergleichende Studie der täglichen COVID-19-Krankenhausbelegungsfälle in den Vereinigten Staaten von Amerika (USA) und Kanada durch, wobei wir eine Kombination aus Chaostheorie, maschinellem Lernen und Methoden der topologischen Datenanalyse anwenden. Beide Länder weisen Marker für niedrigdimensionales Chaos in den Daten zu COVID-19-Krankenhauseinweisungen auf, mit einer hohen Vorhersagbarkeit für adaptive künstliche Intelligenzsysteme, die die Rekurrenzstruktur dieser Attraktoren ausnutzen, mit über 95 % R2 ^- Werten für Vorhersagen von bis zu 42 Tagen im Voraus. Die Beweise sprechen dafür, dass die Krankenhauseinweisungen in den USA näher am Beginn des Chaos liegen und vorhersehbarer sind als in Kanada; die Gründe für diese höhere Vorhersagbarkeit werden durch die Verwendung von Methoden der topologischen Datenanalyse erklärt.