داده‌های جستجوی اینترنتی می‌تواند به پیش‌بینی یک «دومیک دوگانه» کمک کند

پرکاربردترین منبع مشاوره پزشکی در جامعه مدرن ممکن است کادر جستجوی گوگل باشد.

به اندازه کافی افراد با جستجوهایی مانند «از دست دادن طعم» یا «مدت زمانی مسری» به سایت مراجعه می‌کنند که محققان در Georgia Tech می‌توانند از این داده‌ها برای پیش‌بینی دقیق موج‌های احتمالی بیماری‌های شبه آنفلوانزا و عفونت‌های COVID-19 استفاده کنند. مدل‌های پیش‌بینی آن‌ها به طور کلی برای کشور و برای هر ایالت کار می‌کند و منبع جدیدی از داده‌ها را در مورد «موارد دوگانه» بالقوه ارائه می‌کند که می‌تواند بر سیستم‌های مراقبت‌های بهداشتی فشار وارد کند.

این مدل که توسط Shihao Yang و تیمش در دانشکده مهندسی صنایع و سیستم ها H. Milton Stewart توسعه یافته است، در مجله Nature منتشر شده است. پزشکی ارتباطات.

یانگ، استادیار و یکی از نویسندگان در کنار دکترای فناوری جورجیا، گفت: «سهم ما این است که زاویه‌ای منحصر به فرد برای پیش‌بینی‌های خود فراهم می‌کنیم: متوجه می‌شویم که ممکن است یک هک برای پیش‌بینی کوتاه‌مدت بر اساس داده‌های جستجو وجود داشته باشد. . دانشجو سیمین ما و شائویانگ نینگ، استادیار آمار در کالج ویلیامز.

“هک” این تیم از 23 عبارت جستجوی کلیدی مانند “از دست دادن طعم” استفاده می کند تا چهار هفته آینده موارد جدی بیماری های آنفولانزا و COVID-19 را بررسی کند. این مدل از داده های فدرال در مورد بستری شدن در بیمارستان و مرگ و میر ناشی از COVID-19، به علاوه ویزیت های سرپایی برای بیماری های شبه آنفولانزا استفاده می کند – معیار رسمی است زیرا جدا کردن موارد آنفولانزا از انواع دیگر عفونت های ویروسی با علائم مشابه دشوار است.

یانگ گفت: “ما یک دیدگاه منحصر به فرد ارائه می دهیم. بسیاری از افراد دیگر واقعاً از این داده ها استفاده نمی کنند – آنچه شما ممکن است به عنوان داده های جایگزین فکر کنید.” “متخصصان مراقبت های بهداشتی و اپیدمیولوژیست ها از داده های نظارتی، داده های نظرسنجی، سوابق بیمارستانی استفاده می کنند. اینها قلمرو معمولی هستند. به عنوان یک آماردان که در زمینه مهندسی کار می کنم، لنز من در سیستم مراقبت های بهداشتی ما کمی متفاوت است.”

یانگ گفت مدل‌های اپیدمیولوژیک سنتی بسیار مؤثرتر از رویکرد او در پیش‌بینی شش ماه یا بیشتر در آینده هستند. جایی که کار تیم او در کوتاه مدت می درخشد، ارائه داده هایی به مقامات بهداشت عمومی و بیمارستان ها برای پیش بینی یک افزایش قریب الوقوع است.

محققان نتایج تحقیقات خود را به مراکز کنترل و پیشگیری از بیماری ها ارائه کرده اند.

یانگ سال‌هاست که از داده‌های جستجو برای پیش‌بینی آنفولانزا استفاده می‌کند و در اوایل سال ۲۰۲۰ شروع به استفاده از آن دانش در همه‌گیری ویروس کرونا کرده است. با گذشت زمان، او احساس کرد که ابزارهای جدیدی که او و دیگران برای پیش‌بینی کووید توسعه داده‌اند می‌توانند به مدل‌سازی آنفولانزا کمک کنند و بالعکس.

یانگ گفت، با افزایش نگرانی در پاییز گذشته در مورد “دوگانگی” هر دو بیماری، “ما متوجه شدیم که به نظر می رسد زمان شروع درمان آنفولانزا و کووید به طور یکسان است.” بنابراین، کل ایده این است که چرا من این دو بیماری را کنار هم قرار ندهم و یک مدل مشترک برای هر دو ایجاد نکنم.