Η γρίπη είναι εξαιρετικά μεταδοτική και εύκολα εξαπλώνεται καθώς οι άνθρωποι κινούνται και ταξιδεύουν, καθιστώντας την παρακολούθηση και την πρόβλεψη της δραστηριότητας γρίπης μια πρόκληση. Ενώ το CDC παρακολουθεί συνεχώς τους ασθενείς που έχουν νόσους, οι οποίες μοιάζουν με γρίπη στις ΗΠΑ. Μια νέα μελέτη, με επικεφαλής το Πρόγραμμα Υπολογιστικής Πληροφορικής για την Υγεία (CHIP) στο Νοσοκομείο Παιδιών της Βοστόνης, συνδυάζει δύο μεθόδους πρόβλεψης με μηχανική μάθηση (τεχνητή νοημοσύνη) για την εκτίμηση της τοπικής δραστηριότητας της γρίπης. Τα αποτελέσματα δημοσιεύθηκαν στο Nature Communications.
Όταν η προσέγγιση, που ονομάζεται ARGONet, εφαρμόστηκε στην εποχική γρίπη από τον Σεπτέμβριο του 2014 έως τον Μάιο του 2017, έκανε πιο ακριβείς προβλέψεις από την προηγούμενη προσέγγιση πρόγνωσης της ομάδας ARGO, σε ποσοστό μεγαλύτερο από το 75% των κρατών που μελετήθηκαν. Αυτό υποδηλώνει ότι το ARGONet παράγει τις πιο ακριβείς εκτιμήσεις της δραστηριότητας της γρίπης που είναι διαθέσιμες μέχρι σήμερα, μια εβδομάδα πριν από τις παραδοσιακές εκθέσεις που βασίζονται στην υγειονομική περίθαλψη, σε κρατικό επίπεδο στις ΗΠΑ.
“Οι έγκαιρες και αξιόπιστες μεθοδολογίες για την παρακολούθηση της δραστηριότητας της γρίπης σε διάφορες τοποθεσίες μπορούν να βοηθήσουν τους υπαλλήλους της δημόσιας υγείας να μετριάσουν τις επιδημίες και να βελτιώσουν την επικοινωνία με το κοινό για να ευαισθητοποιήσουν τους πιθανούς κινδύνους”, λέει ο Mauricio Santillana, Ph.D. ανώτερος συγγραφέας.
Μαθαίνοντας για τοπικά χαρακτηριστικά της γρίπης
Η προσέγγιση ARGONet χρησιμοποιεί μηχανική μάθηση και δύο ισχυρά μοντέλα ανίχνευσης γρίπης. Το πρώτο μοντέλο, το ARGO (AutoRegression με γενικές πληροφορίες στο διαδίκτυο), αξιοποιεί πληροφορίες από ηλεκτρονικά αρχεία υγείας, αναζητήσεις στο Google που σχετίζονται με τη γρίπη και την ιστορική δραστηριότητα γρίπης σε μια δεδομένη τοποθεσία. Στη μελέτη, ο ARGO ξεπέρασε μόνο τη Google Flu Trends, το προηγούμενο σύστημα πρόβλεψης που λειτούργησε από το 2008 έως το 2015.
Για να βελτιωθεί η ακρίβεια, το ARGONet προσθέτει ένα δεύτερο μοντέλο, το οποίο βασίζεται σε χωροχρονικά μοντέλα γρίπης που διαδίδονται σε γειτονικές περιοχές. “Αξιοποιεί το γεγονός ότι η παρουσία γρίπης σε κοντινά σημεία μπορεί να αυξήσει τον κίνδυνο εμφάνισης εστίας ασθένειας σε μια δεδομένη τοποθεσία”, εξηγεί ο Santillana, ο οποίος είναι επίσης βοηθός καθηγητής στη Ιατρική Σχολή του Χάρβαρντ.
Το σύστημα εκμάθησης μηχανών “εκπαιδεύτηκε” με τη χρήση των προβλέψεων γρίπης και από τα δύο μοντέλα, καθώς και από τα πραγματικά δεδομένα της γρίπης, συμβάλλοντας έτσι στη μείωση των λαθών στις προβλέψεις. “Το σύστημα αξιολογεί συνεχώς την προβλεπτική δύναμη κάθε ανεξάρτητης μεθόδου και επαναπροσδιορίζει πώς αυτές οι πληροφορίες πρέπει να χρησιμοποιηθούν για την παραγωγή βελτιωμένων εκτιμήσεων της γρίπης”, λέει ο Santillana.