COVID-19死亡率数据的技术时期与渐近基线的相关性
当我因新的冠状病毒被解雇时，我创建了一个名为“小蓝珍珠（LBP）”的计算机应用程序-以我们的星球命名。尽管大约1.5周后我被召回，但我发现自己继续关注不同国家的死亡人数。从某种意义上讲，我想这有点像观鸟。我并不是只关注死亡人数本身，而是不同国家在克服致命病毒方面所取得的进展。在之前的文章中，我讨论了使用Expnent-1（exp-1在y轴上）以研究死亡人数：log（今天）/ log（昨天）-1.今天，我将技术数据分为三个不同的时期：1）初始参与期；2）缓解过渡期；3）渐近期。我没有为这些时期制定确切的标准。但如上所述，我使用exp-1评估了意大利的图片。
的初始啮合期间是高挥发性可能主要是由于基体：即使少量增加死亡导致在EXP-1的大量增加。在这段时间里，医生，护士，护理人员以及医疗保健行业其他人士的努力很难在系统或结构层面上被发现。在缓解性过渡时期，死亡人数的上升显然受到反对派力量或系统的约束或限制。这种反对可能不一定是一个连贯的系统；但这可能是结构性的。例如，地理区域的密度低会损害感染的速度。该渐近期反映了相对持久和稳定的基准的出现。换句话说，这和它得到的一样好。为了获得更好的结果-如果病毒无法自行全部放弃-可能需要重新设计，重新配置或重新设计系统和结构。在下一张图片中，我放大了意大利的最后10天，以显示渐近期的明显下边界特征。
0.003左右的结构下限意味着每日指数增加1.003；从数学上讲这是很低的，但是就死亡人数而言还是不希望的。该边界是有用的，因为有可能合理地评估旨在进一步改善死亡率的特定变更的有效性。基线也可以用作与也已达到渐近期的其他国家的比较点。瑞典是一个有趣的国家，政府曾故意尝试允许公民尽管感染了病毒，但仍照常进行下去。查看他们的模式。
也许很多人认为，鉴于exp-1的大幅波动，瑞典仍未达到其渐近期。同时，由于瑞典的死亡人数并不多，因此重要的是不必一定要有平滑的渐近线。在这种情况下，与许多国家/地区相比，该病毒的结构性约束较少-尽管当然他们的医疗系统仍可用于护理觉得有需要的患者。鉴于缺乏控制措施，大的波动可能是正常的。尽管有其政策，瑞典还是像许多国家一样仍在进步-是的，尽管它什么也没做。
与处于较不成熟时期的国家或地区相比，处于渐近时期的国家或地区更具有说服力。但是，最好是根据一些数据提供估算，而不是完全不提供指导-告诫所有人，该国尚未达到可以做出可靠预测的稳定点。要确定是否已达到渐近周期，对我来说，可以简单地使用exp-1的标准偏差，如下表所示。该读数应与指南区分开来：例如，根据exp-1的偏差程度，有多少指南具有说服力。在桌上，如果满足以下任一条件，则一个国家将显示CLEAR：1）预期的死亡人数少于1000；2）95％或更多的预期死亡已经发生。CLEAR可以作为指导的事实并不意味着该国是真正清楚的国家。必须考虑渐近模式的稳定性。
一般而言，我只会定期更新数据-对于显示出大量行动或非常有趣的案例的国家来说，更新频率更高。为了确定各国的解决日期，我要提及的是，上表仅基于死亡人数使用了最后15天的技术数据。我怀疑许多读者可能会完全抛弃这张桌子，因为预期的死亡人数似乎远低于医疗保健专业人员的一些估计。好吧，我没有考虑二级和三级突破。LBP也不是专门设计来预测死亡人数的。在先前的博客中，我提到LBP试图将日常的定性事件数据与定量指标联系起来或相匹配。使用该系统评估定量模式是一个额外的功能。仍然，我希望读者仍然接受我的论点，即有不同的时期。尤其可以使用渐近期的基础来确定缓解方案的有效性。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！