|
流感具有高度的传染性，其会随着人们四处走动而迅速传播，因此这就使得追踪并且预测流感传播活动成为了科学家们的一大挑战；美国CDC会实时监测美国流感样疾病患者的就诊情况，这些信息可能要比实际时间滞后大约两周；近日，一项刊登在国际杂志Nature Communications上的研究报告中，来自波士顿儿童医院的科学家们通过将两种预测方法同机器学习技术（人工智能技术）相结合就能成功评估本地的流感活动情况。 图片来源：en.wikipedia.org 这种被称为ARGONet的新方法被应用于2014年9月至2017年5月的流感季节，其要比研究人员此前开发的方法ARGO具有更高的准确率。研究者表示，在美国各州发布的传统卫生保健报告前一周，ARGONet方法能对迄今为止的流感活动作出最准确的预测。 研究者Mauricio Santillana表示，这种及时可靠的追踪各地流感活动的方法能帮助有效减轻流行病的暴发，并能有效提高公众对潜在风险的意识。ARGONet方法能利用机器学习和两种强大的流感检测模型进行研究；第一个模型—ARGO能利用来自电子健康的记录、流感相关的谷歌搜索即特定地点的流感历史活动信息，这项研究中，仅ARGO模型就超过了谷歌流感趋势的预测系统，谷歌预测系统是2008年-2015年运行的一个预测系统。 为了改善预测准确率，研究者所开发的ARGONet方法添加了第二个模块，其能利用邻近地区流感传播的时空模式，同时该方法还基于这一事实，即流感在附近地区的存在或会增加特定地点发生疾病暴发的风险。这种机器学习系统能通过输入两种模型和实际流感数据来进行有效训练，并帮助减少预测中的错误，该系统能持续评估每一种独立方法的预测能力，并能重新校准这些信息应该如何用于进行对流感风险的预测。 研究者Fred Lu说道，这种新方法或将为感染性疾病的有效预防奠定基础，随着越来越多在线搜索数据以及来自医疗服务提供者基于云计算的电子健康记录的收集，这种新型模型未来将会对疾病暴发和流行进行更加准确地预测。 参考资料： Fred S. Lu, Mohammad W. Hattab, Cesar Leonardo Clemente, et al. Improved state-level influenza nowcasting in the United States leveraging Internet-based data and network approaches. Nature Communications, 2019; 10 (1) DOI: 10.1038/s41467-018-08082-0
|
|
|
