一种利用迁移学习技术实时预测呼吸道疾病爆发的预警系统

《Nature Communications》：A real-time early warning system to anticipate respiratory disease outbreaks using transfer learning

　　

摘要

呼吸道疾病暴发给美国的医疗系统带来了沉重的负担，每年导致超过一百万例住院病例。然而，现有的监测系统滞后于实时情况1-2周，从而阻碍了及时干预。我们提出了一种机器学习早期预警系统，该系统结合了谷歌搜索趋势和传统流行病学数据，并使用集成投票算法来预测多种呼吸道病原体的暴发时间。与以往专注于回顾性评估或单一病原体情况的数字监测系统不同，这一框架是一个统一且前瞻性部署的早期预警系统，能够实时检测多个州级呼吸道病原体的暴发起始和高峰。该系统应用异常检测和迁移学习技术，同时监测所有50个州的类流感综合征疾病以及由呼吸道合胞病毒或流感引起的住院病例。在2024年8月至2024-2025年季节的实时运行期间，该系统检测到了98.0%的暴发起始事件和97.0%的暴发高峰，平均提前时间分别为约5周和2周，阳性预测值超过82%。这一框架通过将历史时间预测的不确定性从10-20周缩短至稳定的2-6周，将被动的公共卫生响应转变为积极的流行病准备状态，为监测季节性暴发和新出现的呼吸道威胁提供了可扩展的方法。