Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Studi le associazioni due metodi di previsione con l'apprendimento automatico stimare l'attività di influenza

L'influenza è altamente contagiosa e facilmente si sparge poichè la gente si muove circa e viaggia, formulando tenere la carreggiata e la previsione dell'attività di influenza una sfida. Mentre il CDC riflette continuamente le visite pazienti per la malattia del tipo di influenza negli Stati Uniti, questi informazioni possono ritardare fino a due settimane dietro tempo reale. Un nuovo studio, piombo dal programma di calcolo dell'informatica di salubrità (CHIP) all'ospedale pediatrico di Boston, combina due metodi di previsione con l'apprendimento automatico (intelligenza artificiale) per stimare l'attività locale di influenza. I risultati sono pubblicati oggi nelle comunicazioni della natura.

Quando l'approccio, chiamato ARGONet, si è applicato alle stagioni di influenza dal settembre 2014 al maggio 2017, ha fatto le previsioni più accurate che l'approccio d'esecuzione più iniziale delle previsioni del gruppo, ARGO, in più di 75 per cento degli stati studiati. Ciò suggerisce che ARGONet produca i preventivi più accurati di attività di influenza disponibili fin qui, una settimana davanti ai rapporti basati a sanità tradizionali, al livello di stato attraverso gli Stati Uniti.

“Le metodologie tempestive ed affidabili per attività tenente la carreggiata di influenza attraverso le posizioni possono aiutare i funzionari di salute pubblica ad attenuare gli scoppi epidemici e possono migliorare la comunicazione con il pubblico per sollevare la consapevolezza dei rischi potenziali,„ dice Mauricio Santillana, PhD, un docente del CHIP e l'autore dell'anziano del paper.

Imparando circa i reticoli localizzati di influenza

L'approccio di ARGONet usa l'apprendimento automatico e due modelli di rilevazione robusti di influenza. Il primo modello, ARGO (autoregressione con informazioni online generali), informazioni di influenze dalle cartelle mediche elettroniche, ricerche con Google in relazione con l'influenza ed attività storica di influenza in una posizione data. Nello studio, di ARGO l'influenza superata da solo Google tende, il sistema precedente di previsioni che ha funzionato dal 2008 al 2015.

Per migliorare l'accuratezza, ARGONet aggiunge un secondo modello, che attinge i reticoli spaziale-temporali di influenza sparsi nelle aree vicine. “Sfrutta il fatto che la presenza di influenza nelle posizioni vicine può aumentare il rischio di avvertire uno scoppio di malattia ad una posizione data,„ spiega Santillana, che è egualmente un assistente universitario alla facoltà di medicina di Harvard.

Il sistema di apprendimento automatico “è stato preparato„ alimentandogli le previsioni di influenza sia dai modelli come pure dai dati reali di influenza, contribuenti a diminuire gli errori nelle previsioni. “Il sistema continuamente valuta la potenza premonitrice di ogni metodo indipendente e ricalibra come questi informazioni dovrebbero essere usate per produrre i preventivi migliori di influenza,„ dice Santillana.

Salute pubblica di precisione

I ricercatori ritengono che il loro approccio collochi le fondamenta per “la salute pubblica di precisione„ nelle malattie infettive.

“Pensiamo che i nostri modelli diventino più accurati col passare del tempo mentre i volumi più online di ricerca sono raccolti e mentre più fornitori di cure mediche comprendono alle le cartelle mediche elettroniche basate a nuvola,„ dica Fred LU, un ricercatore del CHIP e primo autore sul documento.