Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'étude combine deux méthodes de prévision avec l'apprentissage automatique pour estimer l'activité de grippe

La grippe est hautement contagieuse et écarte facilement car les gens déménagent environ et se déplacent, effectuant suivre et prévoir l'activité de grippe un défi. Tandis que la CDC surveille continuement des visites patientes pour la maladie grippale aux États-Unis, cette information peut traîner jusqu'à deux semaines derrière le temps réel. Une étude neuve, aboutie par le programme de calcul d'informatique de santé (CHIP) à l'hôpital pour enfants de Boston, combine deux méthodes de prévision avec l'apprentissage automatique (artificial intelligence) pour estimer l'activité locale de grippe. Les résultats sont aujourd'hui publié dans des transmissions de nature.

Quand l'approche, ARGONet appelé, a été appliquée aux saisons de la grippe de septembre 2014 à mai 2017, elle a effectué des prévisions plus précises que l'approche haut-exécutante plus tôt des prévisions de l'équipe, ARGO, dans plus de 75 pour cent des conditions étudiées. Ceci propose qu'ARGONet produise les la plupart des évaluations précises de l'activité de grippe procurables jusqu'à présent, une semaine en avant des états basés sur santé traditionnels, au niveau de condition en travers des États-Unis.

« Les méthodologies opportunes et fiables pour l'activité de rail de grippe en travers de l'emplacement peuvent aider les agents de la Santé publics à atténuer des manifestations épidémiques et peuvent améliorer la transmission avec le public pour soulever la conscience des risques potentiels, » dit Mauricio Santillana, PhD, un membre de la faculté de FRITE et l'auteur supérieur de paper.

Se renseigner sur les configurations localisées de grippe

L'approche d'ARGONet emploie l'apprentissage automatique et deux modèles de dépistage robustes de grippe. Le premier modèle, ARGO (autorégression avec la documentation en ligne), information de puissances de levier des dossiers santé électroniques, recherches googles liées à la grippe et activité historique de grippe dans un emplacement donné. Dans l'étude, seul ARGO a surpassé des tendances de grippe de Google, le système précédent de prévisions qui a fonctionné à partir de 2008 à 2015.

Pour améliorer l'exactitude, ARGONet ajoute un deuxième modèle, qui entraîne sur les configurations spatial-temporelles de la grippe étendues dans des endroits voisins. « Il exploite le fait que la présence de la grippe dans l'emplacement avoisinant peut augmenter le risque de remarquer une épidémie à un emplacement donné, » explique Santillana, qui est également un professeur adjoint à la Faculté de Médecine de Harvard.

Le système d'apprentissage automatique « a été formé » en lui alimentant des prévisions de grippe des modèles ainsi que des caractéristiques réelles de grippe, aidant à réduire des erreurs dans les prévisions. « Le système continuement évalue le pouvoir prévisionnel de chaque principale méthode et recalibre comment cette information devrait être employée pour produire les estimations améliorées de grippe, » dit Santillana.

Santé publique de précision

Les chercheurs croient que leur approche réglera une fondation pour « la santé publique de précision » dans les maladies infectieuses.

« Nous pensons que nos modèles deviendront plus précis au fil du temps pendant que des volumes plus en ligne de recherche sont rassemblés et pendant que plus de fournisseurs de santé comportent les dossiers santé électroniques basés sur nuage, » dit Fred Lu, un chercheur de FRITE et le premier auteur sur le papier.