Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El estudio combina dos métodos de pronóstico con el aprendizaje de máquina estimar actividad de la gripe

La gripe es altamente contagiosa y se extiende fácilmente como la gente se mueve alrededor y viaja, haciendo la búsqueda y el pronóstico de actividad de la gripe un reto. Mientras que la CDC vigila contínuo las visitas pacientes para gripe-como la enfermedad en los E.E.U.U., esta información puede retrasarse hasta dos semanas detrás del tiempo real. Un nuevo estudio, llevado por el programa de cómputo de la informática de la salud (CHIP) en el hospital de niños de Boston, combina dos métodos de pronóstico con el aprendizaje de máquina (inteligencia artificial) estimar actividad local de la gripe. Los resultados se publican hoy en comunicaciones de la naturaleza.

Cuando la aproximación, llamada ARGONet, fue aplicada a las temporadas de gripe de septiembre de 2014 a mayo de 2017, hizo predicciones más exactas que la aproximación de alto-ejecución anterior del pronóstico de las personas, ARGO, en el más de 75 por ciento de los estados estudiados. Esto sugiere que ARGONet produzca los presupuestos más exactos de la actividad de la gripe disponibles hasta la fecha, una semana delante de partes atención sanitaria-basados tradicionales, en el nivel de estado a través de los E.E.U.U.

“Las metodologías oportunas y seguras para la actividad de búsqueda de la gripe a través de situaciones pueden ayudar a responsables de Sanidad públicos a atenuar brotes epidémicos y pueden perfeccionar la comunicación con el público para aumentar la percatación de riesgos potenciales,” dice a Mauricio Santillana, doctorado, miembro del profesorado de la VIRUTA y el autor del mayor del paper.

Aprendizaje sobre configuraciones localizadas de la gripe

La aproximación de ARGONet utiliza el aprendizaje de máquina y dos modelos de detección robustos de la gripe. El primer modelo, ARGO (autorregresión con la información en línea general), información de las acciones de una palanca de historiales médicos electrónicos, búsquedas gripe-relacionadas de Google y actividad histórica de la gripe en una situación dada. En el estudio, ARGO solamente superó las tendencias de la gripe de Google, el sistema anterior del pronóstico que operó a partir de 2008 a 2015.

Para perfeccionar exactitud, ARGONet agrega un segundo modelo, que drena en las configuraciones espacial-temporales de la gripe extendidas en áreas vecinas. “Explota el hecho de que la presencia de gripe en situaciones próximas puede aumentar el riesgo de experimentar un brote de la enfermedad en una situación dada,” explica a Santillana, que es también profesor adjunto en la Facultad de Medicina de Harvard.

El sistema de aprendizaje de máquina “fue entrenado” introduciéndole predicciones de la gripe de los modelos así como de los datos reales de la gripe, ayudando a reducir desvíos en las predicciones. “El sistema evalúa la potencia profética de cada método independiente y recalibra contínuo cómo esta información se debe utilizar para producir presupuestos perfeccionados de la gripe,” dice Santillana.

Salud pública de la precisión

Los investigadores creen que su aproximación fijará un asiento para la “salud pública de la precisión” en enfermedades infecciosas.

“Pensamos que nuestros modelos llegarán a ser más exactos como volúmenes más en línea de la búsqueda cerco y mientras que más proveedores de asistencia sanitaria incorporan historiales médicos electrónicos nube-basados,” dicen en un cierto plazo a Fred Lu, investigador de la VIRUTA y primer autor en el papel.