Los Alamos AI-model vinder influenzaprognoseudfordring

En probabilistisk kunstig intelligens computermodel udviklet ved Los Alamos National Laboratory gav den mest nøjagtige tilstand, national, og regionale prognoser for influenza i 2018, slog 23 andre hold i Centers for Disease Control and Preventions FluSight Challenge. CDC offentliggjorde resultaterne i sidste uge.

"Nøjagtig forudsigelse af sygdomme ligner vejrudsigt, idet du skal fodre computermodeller med store mængder data, så de kan 'lære' tendenser, " sagde Dave Osthus, en statistiker hos Los Alamos og udvikler af computermodellen, Dante. "Men det er meget anderledes, fordi sygdomsspredning afhænger af daglige valg, mennesker træffer i deres adfærd - såsom rejser, håndvask, kører i offentlig transport, interaktion med sundhedsvæsenet, blandt andet. Det er meget vanskeligt at forudsige."

FluSight Challenge har til formål at forbedre nøjagtige influenzaprognoser ved at udfordre videnskabelige institutioner til at udvikle forudsigelige computermodeller. I influenzasæsonen 2018-2019, 24 forskellige hold deltog i initiativet til influenzaprognose, hver indsender 38 forskellige ugentlige prognoser.

Dante viste sig at være mere succesfuld end de andre modeller med at forudsige timingen, spids, og kortsigtet intensitet af influenzasæsonen. I modsætning til andre modeller, Dante er en multi-skala model, hvilket betyder at det kombinerer nationalt, regional, og statsinfluenzadata. Ved at tage et gennemsnit af tendenserne på tværs af de forskellige geografier, den bruger oplysninger fra individuelle stater til at forbedre andre staters prognoser.

Hver uge fra midten af ​​oktober til midten af ​​maj, Osthus indsendte en fil til CDC, der beskrev Dantes prognoser for hele influenzasæsonen. "At indsende hver uge i sæsonen giver prognosemagere mulighed for at opdatere deres prognoser i lyset af aktuelle data - svarende til hvordan, for eksempel, orkanprognoser opdateres, efterhånden som orkanen udfolder sig, " han sagde.

Nye data for influenzasæsonen indsamles hver uge og integreres i prognosemodellerne. Dante viste sig at være særlig nyttig til prognoser på lokalt niveau, noget der er, ifølge Osthus, "ledsaget med betydelige dataudfordringer."

Til denne influenzasæson, Osthus planlægger at indsende Dante+, en opdateret version af Dante, der vil omfatte internetbaseret "nowcasting, " som udvikler og bruger en model, der kortlægger Google-søgetrafik efter influenza-relaterede termer på officielle data om influenzaaktivitet.

Hvad Osthus forudser for årets influenzasæson, det er svært at sige. "Influenzaprognoser så tidligt på sæsonen er præget af betydelig usikkerhed, " sagde han. "Influenzasæsonen begynder normalt ikke at afsløre sig selv før efter Thanksgiving. Der er ingenting, på dette tidspunkt, at foreslå en højst usædvanlig influenzasæson, hvilket betyder, at det sandsynligvis topper mellem midten af ​​december og slutningen af ​​marts. Hvad angår intensiteten af ​​influenzasæsonen, imidlertid, det er bare for tidligt at sige."

Kelly Moran (en Ph.D.-studerende ved Duke University og, på det tidspunkt, en gæstestuderende videnskabsmand ved Los Alamos) bidrog til valideringen af ​​Dante. Modellen på andenpladsen, DBM+, blev også udviklet i Los Alamos med hjælp fra Reid Priedhorsky, Ashlynn Daughton (en Ph.D.-studerende ved University of Colorado Boulder), Sara Del Valle, og Jim Gattiker. Dante-avisen kan ses her:https://arxiv.org/abs/1909.13766