機器學習成功地模擬和預測流感傳播
根據(jù)英國自然通信雜志9日發(fā)表的一項機器學習的新研究，美國的一個科學家小組報告說，基于機器學習的匿名手機數(shù)據(jù)分析可以成功地模擬和預測病毒性疾病流感的傳播。目前的研究表明，移動地圖能夠準確預測流感在紐約市和澳大利亞的傳播，并有可能在未來監(jiān)測新冠肺炎。
病毒疾病在人群中的傳播取決于受感染者和未感染者之間的相互作用。目前用于預測一個城市或國家疾病傳播的模型數(shù)據(jù)存在著稀少和不準確的問題，例如通勤調(diào)查或在線搜索數(shù)據(jù)。
為了獲得更密集的數(shù)據(jù)集，谷歌研究員亞當·薩迪拉克(Adam Sadilek)和他的同事從安卓手機上收集匿名跟蹤數(shù)據(jù)，這些手機打開位置歷史(Location History)，并利用機器學習將數(shù)據(jù)分割成一個單一的"行程圖"，構(gòu)建一個人的移動地圖。他們利用醫(yī)院注冊和測試數(shù)據(jù)校準的傳染病傳播模型，成功地模擬了2016-2017年紐約市及其周邊地區(qū)的流感活動。
研究小組發(fā)現(xiàn)，該模型比常用的標準預測模型表現(xiàn)得更好，與使用通勤調(diào)查數(shù)據(jù)大致相同，但它的收集成本更高。他們還模擬了2016年流感季節(jié)期間澳大利亞流感傳播的"預測"。盡管澳大利亞人口稀少，流感動態(tài)也不同，但該模型仍能非常準確地預測流感高峰和低點。
現(xiàn)有的高分辨率移動數(shù)據(jù)來自手機通話記錄，這些記錄是針對供應商的，通常無法反映跨境或跨國移動。位置數(shù)據(jù)沒有這樣的限制，因此更有可能監(jiān)測疾病的長距離傳播。目前，這些數(shù)據(jù)缺乏完整性，因為智能手機使用率低的兒童和老年人的移動數(shù)據(jù)不包括在內(nèi)。盡管有這些限制，該小組展示了利用移動數(shù)據(jù)預測疫情傳播的潛力。
