利用多个数据流和人工智能更好地预测流感
当人们四处走动和旅行，使跟踪和预测流感活动成为挑战时，流感具有很高的传染性，并且很容易传播。疾病预防控制中心（CDC）在美国不断监视患者的流感样疾病，但此信息可能会落后于实时落后两周。由波士顿儿童医院的计算健康信息学计划（CHIP）领导的一项新研究将两种预测方法与机器学习（人工智能）相结合，以估算当地的流感活动。结果今天在自然通讯。
从2014年9月到2017年5月，将这种方法称为Aragonet，将其应用于流感季节时，它使得更多准确的预测比该团队较早的高表现预测方法Argo在超过75％的州研究中。这表明Argonet产生了迄今为止可用的流感活动的最准确的估计，比美国州州的州一级提前一周，比传统的医疗报告提前一周。
“及时可靠的方法来跟踪各个位置的流感活动可以帮助公共卫生官员减轻流行病的暴发，并可能改善与公众的沟通，以提高人们对潜在风险的认识。
了解局部流感模式
Argonet方法使用机器学习和两个可靠的流感检测模型。第一个模型Argo（带有一般在线信息的自动估计）利用电子健康记录，与流感相关的Google搜索和历史的信息流感活性在给定的位置。在这项研究中，仅ARGO的表现就超过了Google流感趋势，Google流感趋势是从2008年到2015年运行的先前预测系统。
为了提高准确性，Argonet添加了第二个模型，该模型借鉴了相邻区域中流感的时空模式。桑蒂拉纳解释说：“它利用了一个事实，即附近地点的流感可能会增加在给定位置发生疾病爆发的风险。”
通过从模型和实际的流感数据中喂养流感预测，可以“训练”机器学习系统，从而有助于减少预测中的错误。Santillana说：“该系统不断评估每种独立方法的预测能力，并重新校准应如何使用该信息来产生改进的流感估计。”
精密公共卫生
调查人员认为，他们的方法将为传染病中的“精确公共卫生”奠定基础。
“我们认为，随着收集更多的在线搜索量，随着更多的在线搜索量，我们的模型将变得更加准确，并且随着越来越多的医疗保健提供商结合了基于云电子健康记录”筹码调查员兼论文的第一作者弗雷德·卢（Fred Lu）说。
进一步探索
