评估监测系统用于短期流感预测的使用框架

科学领域:

• 公共卫生监督 公共卫生监督
• 流行病学 流行病学
• 医疗信息学 医疗信息学

背景情况:

• 有效的流感监测对公共卫生至关重要,指导对抗发病率,死亡率和医疗保健系统压力的干预措施.
• 越来越需要监测数据来支持人工智能 (AI) 和机器学习 (ML) 模型的短期疾病预测.
• 本研究重点是评估新西兰的流感监测系统,以评估它们在基于AI/ML的预测中的实用性.

研究的目的:

• 评估现有的流感监测系统与AI/ML短期预测要求的协调程度.
• 确定最适合用于社区和医院级流感建模的监测数据来源.
• 通过改进流感预测,为加强公共卫生应对策略提供信息.

主要方法:

• 采用了两阶段的方法,包括对监控系统的文献和报告审查.
• 系统根据八个关键属性进行了评估:及时性,敏感性,特异性,代表性,覆盖率,稳定性,完整性和历史数据.
• 计算了加权分数,以根据它们对AI/ML培训和短期预测的适用性来对系统进行排名.

主要成果:

• 南半球流感和疫苗有效性研究和监测 (SHIVERS) 社区队列和严重急性呼吸道感染 (SARI) 医院监测系统在AI/ML培训和预测方面得分最高.
• 国家最低数据集 (住院) 和死亡数据集显示出强大的培训潜力,但由于短期预测的及时性而受到限制.
• 基于实验室的监测被认为是整合社区和医院数据的有价值的工具.

结论:

• 关键属性有效区分AI/ML培训和预测的流感监测系统.
• 像SHIVERS和SARI这样的特定系统最适合于新西兰的AI/ML驱动型流感场景建模.
• 整合这些优化的数据源可以显著改善流感预测,帮助公共卫生响应和干预计划.