Die Grippe ist hoch ansteckend und breitet sich leicht als Menschen zu bewegen und zu Reisen, wodurch die Nachverfolgung und Prognose der Grippe-Aktivität eine Herausforderung. Während die CDC überwacht kontinuierlich Patienten-Besuche für Grippe-ähnliche Erkrankung in den USA, dann kann diese information lag bis zu zwei Wochen hinter der realen Zeit. Eine neue Studie, geführt von der Computational Health Informatics Program (CHIP) an der Kinderklinik von Boston, verbindet zwei Prognose-Methoden des maschinellen Lernens (künstliche Intelligenz) zur Einschätzung der lokalen Grippe-Aktivität. Die Ergebnisse sind heute veröffentlicht in Nature Communications.
Wenn sich der Ansatz, genannt ARGONet wurde bei Grippe-Saisons von September 2014 bis Mai 2017, machte es, genauere Vorhersagen als das team der früheren high-Performance forecasting Ansatz, der ARGO, in mehr als 75 Prozent der untersuchten Staaten. Dies deutet darauf hin, dass ARGONet produziert die genauesten Schätzungen der influenza-Aktivität zur Verfügung, um Datum, eine Woche vor dem traditionellen Gesundheitswesen-basierte Berichte, auf der staatlichen Ebene, in den USA.
„Die rechtzeitige und zuverlässige Methoden für die Verfolgung influenza-Aktivität über Standorte hinweg können helfen, die öffentliche Gesundheit Beamten zu mildern Epidemie-Ausbrüchen und verbessern die Kommunikation mit der öffentlichkeit, um Bewusstsein für mögliche Risiken“, sagt Mauricio Santillana, Ph. D., ein CHIP, Mitglied der Fakultät und der Zeitung “ senior-Autor.
Lernen über lokalisierte Grippe-Muster
Die ARGONet-Ansatz verwendet machine learning und zwei robuste Grippe-Erkennung Modelle. Das erste Modell, ARGO (AutoRegression mit Allgemeinen Online-Informationen), nutzt Informationen aus elektronischen Patientenakten, Grippe-bezogene Google-Suche und historischen Grippe-Aktivität in einem gegebenen Standort. In der Studie, ARGO, allein übertroffen von Google Grippe-Trends, die Vorherige Prognose-system, betrieben von 2008 bis 2015.
Um Genauigkeit zu verbessern, ARGONet fügt eine zweite Modell stützt sich auf die räumlich-zeitlichen Muster der Grippe-Ausbreitung in benachbarte Bereiche. „Sie nutzt die Tatsache, dass das Vorhandensein der Grippe in Orte in der Nähe, erhöht das Risiko des Erlebens einer Epidemie an einem bestimmten Ort“, erklärt Santillana, der auch ein Assistent professor an der Harvard Medical School.
Die machine-learning-system wurde „trainiert“ durch die Einspeisung von Grippe Vorhersagen beider Modelle sowie die eigentlichen Grippe-Daten, die Reduzierung von Fehlern in den Vorhersagen. „Das system wertet kontinuierlich die prädiktive Kraft der einzelnen unabhängigen Methode und rekalibriert, wie diese Informationen sollten verwendet werden, um zu produzieren, verbesserte Grippe-Schätzungen“, sagt Santillana.
Präzision der öffentlichen Gesundheit
Die Ermittler glauben, dass Ihr Ansatz setzen einen Grundstein für die „Präzision der öffentlichen Gesundheit“ in der Infektions-Krankheiten.