カルロス・ペドロ・ゴンサルベス*
カオス理論手法の疫学的応用により、SARSCoV-2の疫学データにカオスマーカーが存在することが明らかになりました。これには、正のリアプノフ指数を持つ低次元アトラクターや、さまざまな地域でカオスの発生に近いダイナミクスの証拠マーカーが含まれます。私たちはこれらの以前の研究を拡張し、カオス理論、機械学習、および位相データ解析手法の組み合わせを適用して、アメリカ合衆国(USA)とカナダのCOVID-19の毎日の病院占有事例の比較研究を実行します。両国とも、COVID-19の入院データに低次元カオスのマーカーを示しており、これらのアトラクターの再帰構造を利用する適応型人工知能システムの高い予測可能性を備えており、最大42日先の予測で95%以上のR 2スコアが得られます。米国の入院はカナダよりも混乱の発生に近く、予測しやすいという証拠があり、この予測可能性の高さの理由は、位相データ解析手法を使用することで説明されます。