Revista internacional de inteligencia de enjambre y computación evolutiva

Abstracto

Atractores caóticos de baja dimensión en la ocupación hospitalaria diaria por COVID-19 en EE. UU. y Canadá

Carlos Pedro Gonçalves*

La aplicación epidemiológica de los métodos de la teoría del caos ha descubierto la existencia de marcadores caóticos en los datos epidemiológicos del SARS-CoV-2, incluidos atractores de baja dimensión con exponentes de Lyapunov positivos y marcadores de evidencia de una dinámica cercana al inicio del caos para diferentes regiones. Ampliamos estos trabajos previos, realizando un estudio comparativo de los casos de ocupación hospitalaria diaria por COVID-19 de Estados Unidos de América (EE. UU.) y Canadá, aplicando una combinación de teoría del caos, aprendizaje automático y métodos de análisis de datos topológicos. Ambos países muestran marcadores de caos de baja dimensión para los datos de hospitalización por COVID-19, con una alta predictibilidad para los sistemas de inteligencia artificial adaptativa que explotan la estructura de recurrencia de estos atractores, con puntajes R ² de más del 95% para predicciones de hasta 42 días por adelantado. La evidencia es favorable a que las hospitalizaciones de EE. UU. están más cerca del inicio del caos y son más predecibles que las de Canadá, las razones de esta mayor predictibilidad se explican mediante el uso de métodos de análisis de datos topológicos.