La influenza es altamente contagiosa y se propaga fácilmente a medida que las personas se mueven y viajan, lo que hace que el seguimiento y el pronóstico de la actividad de la gripe sea un desafío. Mientras que los CDC monitorean continuamente las visitas de los pacientes por enfermedades similares a la gripe en los EE. UU., Esta información puede retrasarse hasta dos semanas atrásen tiempo real. Un nuevo estudio, dirigido por el Programa de Informática de Salud Computacional CHIP en el Boston Children's Hospital, combina dos métodos de pronóstico con aprendizaje automático inteligencia artificial para estimar la actividad local de la gripe. Los resultados se publican hoy en Comunicaciones de la naturaleza .
Cuando el enfoque, llamado ARGONet, se aplicó a las temporadas de gripe de septiembre de 2014 a mayo de 2017, hizo predicciones más precisas que el enfoque de pronóstico de alto rendimiento anterior del equipo, ARGO, en más del 75 por ciento de los estados estudiados. Esto sugiereque ARGONet produce las estimaciones más precisas de la actividad de la influenza disponibles hasta la fecha, una semana antes de los informes tradicionales basados en la atención médica, a nivel estatal en todo EE. UU.
"Las metodologías oportunas y confiables para rastrear la actividad de la influenza en todos los lugares pueden ayudar a los funcionarios de salud pública a mitigar los brotes epidémicos y pueden mejorar la comunicación con el público para crear conciencia sobre los riesgos potenciales", dice Mauricio Santillana, PhD, miembro de la facultad de CHIP y el periódico 'autor principal
Aprender sobre patrones de gripe localizados
El enfoque ARGONet utiliza aprendizaje automático y dos modelos robustos de detección de gripe. El primer modelo, ARGO AutoRegresión con información general en línea, aprovecha la información de los registros electrónicos de salud, las búsquedas de Google relacionadas con la gripe y la actividad histórica de la gripe en un lugar determinado.En el estudio, solo ARGO superó a Google Flu Trends, el sistema de pronóstico anterior que funcionó de 2008 a 2015.
Para mejorar la precisión, ARGONet agrega un segundo modelo, que se basa en patrones espacio-temporales de propagación de la gripe en áreas vecinas ". Explota el hecho de que la presencia de gripe en lugares cercanos puede aumentar el riesgo de experimentar un brote de enfermedad en un momentoubicación dada ", explica Santillana, quien también es profesora asistente en la Facultad de Medicina de Harvard.
El sistema de aprendizaje automático fue "entrenado" al alimentarle predicciones de gripe de ambos modelos, así como datos reales de gripe, ayudando a reducir los errores en las predicciones. "El sistema evalúa continuamente el poder predictivo de cada método independiente y recalibra cómo esta informacióndebería usarse para producir estimaciones mejoradas de la gripe ", dice Santillana.
Salud pública de precisión
Los investigadores creen que su enfoque establecerá una base para la "salud pública de precisión" en enfermedades infecciosas.
"Creemos que nuestros modelos serán más precisos con el tiempo a medida que se recopilen más volúmenes de búsqueda en línea y que más proveedores de atención médica incorporen registros de salud electrónicos basados en la nube", dice Fred Lu, investigador de CHIP y primer autor del artículo.
El trabajo fue financiado por los Centros para el Control y la Prevención de Enfermedades Acuerdo Cooperativo PPHF 11797-998G-15 y el Instituto Nacional de Ciencias Médicas Generales del NIH R01GM130668.
Fuente de la historia :
Materiales proporcionados por Boston Children's Hospital . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :