数据驱动自动化机器学习系统检测新兴公共卫生威胁
严重威胁公共健康可以摆脱一个巨大的各种来源的例子,传染病,大量的药物过量,或接触有毒化学物质。联邦、州和当地卫生部门必须迅速应对疾病暴发和其他新兴生物威胁。虽然当前自动化系统为“症状监测”可以帮助监测健康数据和检测疾病集群,他们无法检测具有罕见的集群或以前看不见的症候学。
纽约大学的一项研究机器学习实验室(ML4G实验室),与同事来自卡内基梅隆大学和纽约市卫生和心理卫生(纽约DOHMH),地址在公共场合这个关键差距健康练习用“pre-syndromic”监测的新的机器学习方法。
方法纳入一个自动化系统,可以使公共卫生从业人员更迅速和有效地在未来应对新兴威胁,包括那些不寻常或小说。
“现有系统是擅长发现疾病的暴发,我们已经知道,在积极寻找,像流感或COVID,”评论纽约大学教授丹尼尔·b·尼尔,这项研究的资深作者,ML4G实验室主任。“但当一些新的和可怕的出现?Pre-syndromic监测提供了一个安全网来识别新出现的威胁,其他系统无法检测”。
该研究发表在科学的进步。
作者的疾病监测方法被称为pre-syndromic监视,因为它依赖于数字传达文本数据在所有病人的条件,而不是分类情况下数据现有的疾病症状(如“流感样”或“肠道疾病)。新系统可以快速的识别新出现的症状,卫生部门还没有意识到。
为了实现这一点,机器学习技术使用匿名“主诉”数据从医院急诊科(ED)访问。主诉通常提供的病人他们自己的话(例如,“我有一个严重的头痛在过去三天,现在我的耳朵疼”)和由ED分诊护士记录。
的方法能够识别趋势和模式的单词和短语首席投诉,使检测局部集群。它可以自动地将服务的从业人员的反馈区分相关和不相关的情况下集群。它给个性化和可操作的决策支持医院和当地和国家卫生部门。
盲法评估和案例研究的城市卫生部门新系统研究人员称为缪斯,或多维语义扫描,在设计、开发和测试说明pre-syndromic监测识别更多的事件公共卫生兴趣和达到一个较低的误判率与传统方法相比,根据这项研究的作者。
缪斯,提供三种重要的方法论进步医院和当地和国家卫生部门在全国范围内,因为它:
- 不需要预定义综合症类别。
- 识别局部集群通过多维扫描统计数据,使检测的新兴生物威胁可能影响特定空间区域或人口群体的病人。
- 在循环使用“医生”的方法将用户反馈,关注相关模式,减少假阳性,为当地用户提供可行的见解根据自己的标准是什么,并不是相关。
