Políticas aproximadas e parciais sensíveis a risco para o controle da propagação de doenças infecciosas (2022)
- Authors:
- USP affiliated authors: DELGADO, KARINA VALDIVIA - EACH ; BARROS, LELIANE NUNES DE - IME ; SILVA, VALDINEI FREIRE DA - EACH ; PASTOR, HENRIQUE DIAS - EACH
- Unidades: EACH; IME
- DOI: 10.5753/eniac.2022.227062
- Subjects: RISCO; PROCESSOS DE MARKOV; MODELOS EPIDEMIOLOGICOS; POLÍTICA DE SAÚDE; VACINAÇÃO
- Agências de fomento:
- Language: Português
- Abstract: Os Processos de Decisão de Markov (MDPs) podem ser usados para controlar a propagação de doenças infecciosas e encontrar uma política ótima de controle de vacinação. No entanto, por se tratar de um problema que envolve vidas, é necessário levar em consideração a atitude do agente em relação ao risco. Assim, neste trabalho, são usados MDPs sensíveis ao risco com o modelo compartimental SIR e são propostos dois algoritmos eficientes para encontrar políticas de vacinação otimizadas que permitam controlar a propagação de uma doença infecciosa, ou seja, selecionar o número de indivíduos que devem ser vacinados a cada período considerando um parâmetro que representa a atitude frente ao risco. A primeira solução proposta encontra uma política de vacinação que é parcial e ótima dada uma determinada atitude de risco. A segunda solução proposta é aproximada e assim pode resolver problemas ainda maiores. Os resultados mostram que: (i) as políticas de vacinação dependem não apenas da taxa básica de reprodução R0, como esperado, mas também do custo e da atitude em relação ao risco de um agente; e (ii) ambas as soluções obtêm um grande ganho de tempo de execução e pouca perda de qualidade quando comparadas com as políticas completas e não aproximadas
- Imprenta:
- Publisher: Sociedade Brasileira de Computação
- Publisher place: Porto Alegre, RS
- Date published: 2022
- Source:
- Título do periódico: Proceedings of the 19th National Meeting of Artificial and Computational Intelligence
- ISSN: 2763-9061
- Volume/Número/Paginação/Ano: p. 210-221
- Conference titles: National Meeting of Artificial and Computational Intelligence
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: bronze
-
ABNT
PASTOR, Henrique Dias et al. Políticas aproximadas e parciais sensíveis a risco para o controle da propagação de doenças infecciosas. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. Porto Alegre, RS: Sociedade Brasileira de Computação. Disponível em: https://doi.org/10.5753/eniac.2022.227062. Acesso em: 28 abr. 2024. , 2022 -
APA
Pastor, H. D., Delgado, K. V., Silva, V. F. da, & Barros, L. N. de. (2022). Políticas aproximadas e parciais sensíveis a risco para o controle da propagação de doenças infecciosas. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. Porto Alegre, RS: Sociedade Brasileira de Computação. doi:10.5753/eniac.2022.227062 -
NLM
Pastor HD, Delgado KV, Silva VF da, Barros LN de. Políticas aproximadas e parciais sensíveis a risco para o controle da propagação de doenças infecciosas [Internet]. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. 2022 ; 210-221.[citado 2024 abr. 28 ] Available from: https://doi.org/10.5753/eniac.2022.227062 -
Vancouver
Pastor HD, Delgado KV, Silva VF da, Barros LN de. Políticas aproximadas e parciais sensíveis a risco para o controle da propagação de doenças infecciosas [Internet]. Proceedings of the 19th National Meeting of Artificial and Computational Intelligence. 2022 ; 210-221.[citado 2024 abr. 28 ] Available from: https://doi.org/10.5753/eniac.2022.227062 - Risk-sensitive piecewise-linear policy iteration for stochastic shortest path Markov decision processes
- Políticas sensíveis ao risco para o controle da propagação de doenças infecciosas
- ALICAT: a customized approach to item selection process in computerized adaptive testing
- Robust optimization for hybrid MDPs with state-dependent noise
- Symbolic bounded real-time dynamic programming
- Risk-sensitive Markov decision process with limited budget
- Symbolic dynamic programming for discrete and continuous state MDPs
- Learning to program using hierarchical model-based debugging
- B^2RTDP: an efficient solution for bounded-parameter Markov decision process
- ProPAT: a programming ITS based on pedagogical patterns
Informações sobre o DOI: 10.5753/eniac.2022.227062 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas