乔治亚大学的科学家已经使用机器学习来预测现有传染病的再次出现。该算法监视公共卫生数据，以检测与即将爆发的疾病相关的统计模式。 这项由Tobias Brett和 Pejman Rohani撰写的研究最近发表在《公共科学图书馆·生物学》上。

尽管该方法无法预测像COVID-19这样的新疾病的发作，但仍对大流行期间的公共卫生有影响。

“世界卫生组织正在谈论针对我们已经知道并拥有疫苗的疾病，麻疹，百日咳，腮腺炎等疾病的疫苗覆盖率下降，”摄政大学教授和UGA体育协会教授Rohani说。生态与传染病。“由于COVID，该算法对于识别那些可能在疫苗可预防的感染中可能会死灰复燃的人群可能非常有用。”

相同的模式

该方法基于这样的理论，即随着基本条件变得有利于爆发，某些报告模式会出现在监视报告中。那些不断变化的状况可能包括诸如疫苗效力下降或疫苗接种率降低或诸如气候变化等环境因素。无论变化的根本原因是什么，病例报告都显示相同的统计模式。

Brett和Rohani开发了一种算法，该算法可以随着时间的推移监视病例报告，以寻找那些模式并计算疾病再次出现的风险水平。

由于该算法需要适用于多种疾病，因此Brett和Rohani对其进行了训练，使用了10,000套涵盖10年的模拟病例报告，以识别即将爆发的疾病的特征模式。模拟数据包括各种各样的参数组合和不同的回潮机制。

这些时间序列数据集的一半旨在导致突发疾病暴发，而另一半则没有。

Odum生态学院的博士后研究员Brett说：“我们告诉算法哪些新出现的序列有5,000个[疾病]，哪些尚无5,000个。” “因此，该算法学习了哪些统计特征以及统计特征的组合，可以成功地预测某个种群是否即将爆发。”

一旦算法学会识别出指示疾病出现的一般模式，Brett和Rohani就会在时间序列数据上对导致四次历史性疾病爆发的病例进行测试。

在2004-2005年，在常规婴儿疫苗接种后大约15年的极低传播率之后，英格兰爆发了流行性腮腺炎，这是一种病毒性疾病。通过对1990年至2005年英格兰公共卫生的病例报告进行分析，该算法在开始爆发的前四年识别出即将爆发的信号。

接近完美的识别

百日咳是一种细菌性疾病，已通过疫苗接种计划大幅度减少，最近在美国看到了不均衡的死灰复燃。在1970年代末开始的不同时期，有些(但不是全部)疫情已经爆发。在这种情况下，布雷特(Brett)和罗哈尼(Rohani)想知道该算法是否可以提前识别出哪些州经历了暴发。该算法应用于1980年至2000年期间各州公共卫生机构的数据，几乎在100%的时间内正确地识别了那些州。

流行性腮腺炎和百日咳都是直接传播的，但是许多公共卫生关注的传染病是通过蚊子，虱子或跳蚤等媒介传播的。为了确定该算法是否也适用于这些疾病，Brett和Rohani对马达加斯加2017年短暂的鼠疫和1995年至2009年间波多黎各的一系列登革热爆发的数据进行了测试。在这种情况下，他们发现该算法能够在即将发生的疫情发生之前对其进行识别。

Rohani说：“我认为Toby和我都对算法在这些具有不同传输模式和中兴的不同系统中的工作效果感到惊讶，这些不同的时标范围从几周到很多年。” “这增加了我们的信心，即这种方法可以识别在这些系统中非常通用的东西，而不是特定于系统或特定于细节的。”

卫生官员仍在拨打电话

Brett和Rohani强调说，尽管该算法可以计算出疾病重新出现的风险，但要确定引发警报的风险阈值，并且需要由公共卫生官员考虑更大范围的社会和经济因素，才能采取暴发预防措施上下文。

“我们将算法视为公共卫生工具包中的潜在工具。布雷特说：“什么时候发出警报，什么时候不发出警报等问题，不能由科学家自己解决。” “必须在理解与错误地发出警报或未能为爆发做好准备相关的更广泛的成本上进行合作。目前，这是公共卫生部门最有能力做的事情。”