• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Los Alamos AI-modell vinner influensaprognosutmaning

    Influensaliknande sjukdom (ILI) aktivitet är mycket rumsligt variabel, med högre än typiska nivåer av influensaaktivitet (rosa) koncentrerad runt Mexikanska golfen, och typiska (vita) till under typiska (gröna) ILI-nivåer som ses i resten av landet. Den rumsliga variabiliteten illustrerar utmaningen och vikten av att gemensamt modellera ILI för prognoser. Kredit:Los Alamos National Laboratory

    En probabilistisk datormodell med artificiell intelligens utvecklad vid Los Alamos National Laboratory gav det mest exakta tillståndet, nationell, och regionala prognoser för influensa 2018, besegra 23 andra lag i Centers for Disease Control and Preventions FluSight Challenge. CDC meddelade resultaten förra veckan.

    "Att förutsäga sjukdomar exakt liknar väderprognoser genom att du behöver mata datormodeller med stora mängder data så att de kan "lära sig" trender, sa Dave Osthus, en statistiker på Los Alamos och utvecklare av datormodellen, Dante. "Men det är väldigt annorlunda eftersom sjukdomsspridning beror på dagliga val som människor gör i sitt beteende - som resor, handtvättande, åka kollektivtrafik, interagerar med sjukvården, bland annat. De är väldigt svåra att förutse."

    FluSight Challenge syftar till att förbättra korrekta influensaprognoser genom att utmana vetenskapliga institutioner att utveckla prediktiva datormodeller. Under influensasäsongen 2018-2019, 24 olika team deltog i initiativet för influensaprognos, var och en skickar in 38 olika veckoprognoser.

    Dante visade sig vara mer framgångsrik än de andra modellerna när det gällde att förutsäga tidpunkten, topp, och kortsiktig intensitet av den pågående influensasäsongen. Till skillnad från andra modeller, Dante är en flerskalig modell, vilket betyder att det kombinerar nationella, regional, och statliga influensadata. Genom att ta ett genomsnitt av trenderna över de olika geografierna, den använder information från enskilda stater för att förbättra andra staters prognoser.

    Varje vecka från mitten av oktober till mitten av maj, Osthus lämnade in en fil till CDC som beskrev Dantes prognoser för hela influensasäsongen. "Om du skickar in varje vecka under säsongen kan prognosmakare uppdatera sina prognoser i ljuset av aktuella data - liknande hur, till exempel, orkanprognoser uppdateras när orkanen utvecklas, " han sa.

    Ny data för influensasäsongen samlas in varje vecka och integreras i prognosmodellerna. Dante visade sig vara särskilt användbar för prognoser på lokal nivå, något som är, enligt Osthus, "tillsammans med betydande datautmaningar."

    För denna influensasäsong, Osthus planerar att skicka in Dante+, en uppdaterad version av Dante som kommer att innehålla internetbaserad "nowcasting, " som utvecklar och använder en modell som kartlägger Googles söktrafik för influensarelaterade termer på officiella uppgifter om influensaaktivitet.

    Dave Osthus, en statistiker vid Los Alamos National Laboratory, utvecklade Dante, en prediktiv datormodell som vann CDC:s FluSight Challenge för influensasäsongen 2018-2019. Kredit:Los Alamos National Laboratory

    Vad Osthus förutspår för årets influensasäsong, det är svårt att säga. "Influensaprognoser så här tidigt på säsongen präglas av betydande osäkerhet, " sa han. "Influensasäsongen börjar vanligtvis inte avslöja sig förrän efter Thanksgiving. Det finns inget, vid denna tidpunkt, att föreslå en mycket ovanlig influensasäsong, vilket innebär att den sannolikt når sin topp mellan mitten av december och slutet av mars. När det gäller intensiteten av influensasäsongen, dock, det är bara för tidigt att säga."

    Kelly Moran (en doktorand vid Duke University och, just då, en gästforskare vid Los Alamos) bidrog till valideringen av Dante. Modellen på andra plats, DBM+, utvecklades också i Los Alamos med hjälp av Reid Priedhorsky, Ashlynn Daughton (en doktorand vid University of Colorado Boulder), Sara Del Valle, och Jim Gatiker. Dante-tidningen kan ses här:https://arxiv.org/abs/1909.13766


    © Vetenskap https://sv.scienceaq.com