The need for healthcare equipment has increased due to the COVID-19 outbreak. Forecasting of these demands allows states to use their resources effectively. Artificial intelligence-based forecasting models play an important role in the forecasting of medical equipment demand during infectious disease periods. In this study, a deep model approach is presented, which is based on a multilayer long short-term memory network for forecasting of medical equipment demand and outbreak spreading, during the coronavirus outbreak (COVID-19). The proposed model consists of stages: normalization, deep LSTM networks and dropout-dense-regression layers, in order of process. Firstly, the daily input data were subjected to a normalization process. Afterward, the multilayer LSTM network model, which was a deep learning approach, was created and then fed into a dropout layer and a fully connected layer. Finally, the weights of the trained model were used to predict medical equipment demand and outbreak spreading in the following days. In experimental studies, 77-day COVID-19 data collected from the statistics data put together in Turkey were used. In order to test the proposed system, the data belonging to last 9 days of this data set were used and the performance of the proposed system was calculated using statistical algorithms, MAPE and R2. As a result of the experiments carried out, it was observed that the proposed model could be used to estimate the number of cases and medical equipment demand in the future in relation to COVID-19 disease.

中文翻译：

---

基于深度长短期记忆网络的医疗设备需求和疫情传播预测：土耳其 COVID-19 大流行

由于 COVID-19 的爆发，对医疗保健设备的需求有所增加。对这些需求的预测使各州能够有效地利用其资源。基于人工智能的预测模型在传染病期间医疗设备需求的预测中发挥着重要作用。在这项研究中，提出了一种深度模型方法，该方法基于多层长期短期记忆网络，用于预测冠状病毒爆发 (COVID-19) 期间的医疗设备需求和疫情传播。所提出的模型包括阶段：归一化、深度 LSTM 网络和 dropout-dense-regression 层，按过程顺序排列。首先，对每日输入数据进行归一化处理。之后，多层 LSTM 网络模型，这是一种深度学习方法，被创建，然后被送入一个 dropout 层和一个完全连接的层。最后，训练模型的权重用于预测未来几天的医疗设备需求和疫情蔓延。在实验研究中，使用了从土耳其汇总的统计数据中收集的 77 天 COVID-19 数据。为了测试所提出的系统，使用了属于该数据集最后 9 天的数据，并使用统计算法 MAPE 和 R2 计算了所提出系统的性能。进行的实验结果表明，所提出的模型可用于估计未来与 COVID-19 疾病相关的病例数和医疗设备需求。训练模型的权重用于预测医疗设备需求和接下来几天的疫情蔓延。在实验研究中，使用了从土耳其汇总的统计数据中收集的 77 天 COVID-19 数据。为了测试所提出的系统，使用了属于该数据集最后 9 天的数据，并使用统计算法 MAPE 和 R2 计算了所提出系统的性能。进行的实验结果表明，所提出的模型可用于估计未来与 COVID-19 疾病相关的病例数和医疗设备需求。训练模型的权重用于预测医疗设备需求和接下来几天的疫情蔓延。在实验研究中，使用了从土耳其汇总的统计数据中收集的 77 天 COVID-19 数据。为了测试所提出的系统，使用了属于该数据集最后 9 天的数据，并使用统计算法 MAPE 和 R2 计算了所提出系统的性能。进行的实验结果表明，所提出的模型可用于估计未来与 COVID-19 疾病相关的病例数和医疗设备需求。使用属于该数据集最后 9 天的数据，并使用统计算法 MAPE 和 R2 计算所提出系统的性能。进行的实验结果表明，所提出的模型可用于估计未来与 COVID-19 疾病相关的病例数和医疗设备需求。使用属于该数据集最后 9 天的数据，并使用统计算法 MAPE 和 R2 计算所提出系统的性能。进行的实验结果表明，所提出的模型可用于估计未来与 COVID-19 疾病相关的病例数和医疗设备需求。