用网络搜索活动趋势来预测流感的神经网络模型与相关的不确定性
Michael Morris1, Peter Hayes1, Ingemar J Cox1,2
1University College London, Centre for Artificial Intelligence, Department of Computer Science, London, United Kingdom.
PLoS computational biology
|August 28, 2023
概括
准确的流感预测有助于公共卫生. 这项研究引入了一个新的框架,使用网络搜索数据和神经网络来改进类似流感疾病 (ILI) 的预测,减少超过10%的错误.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 流感对全球健康构成重大负担,每年导致数以百万计的疾病,住院和死亡.
- 准确预测流感发病率对于及时对抗季节性和新型菌株的公共卫生干预至关重要.
- 目前的流感预测模型在实现高精度方面面临挑战,需要改进方法.
研究的目的:
- 开发和验证一种新的方法框架,以提高美国流感类疾病 (ILI) 率预测的准确性.
- 将网络搜索活动时间序列与历史ILI数据集成,以改进预测建模.
- 将不确定性量化纳入预测模型,以获得更可靠的估计.
主要方法:
- 利用神经网络 (NN) 架构,包括贝叶斯层,用于时间序列分析和预测.
- 雇员的网络搜索活动数据与历史的ILI率一起作为NN培训的输入特征.
- 开发并评估了一种代循环神经网络 (IRNN) 架构作为表现最佳的模型.
主要成果:
- 拟议的框架证明了ILI利率的先进预测准确度的提高.
- 与现有方法相比,性能最好的IRNN模型将平均绝对误差降低了10.3%.
- 在四个连续的流感季节中,IRNN模型的预测技能平均提高了17.1%.
结论:
- 拟议的方法框架显著提高了流感类疾病预测的准确性.
- 整合网络搜索数据和先进的NN架构,如IRNN,为公共卫生监测提供了一个强大的工具.
- 开发的模型提供了可靠的预测与不确定性间隔,补充传统的流行病学方法.
