L’influenza è altamente contagiosa e si diffonde facilmente man mano che le persone si muovono e viaggiano, rendendo il monitoraggio e la previsione dell’attività influenzale una sfida.
Mentre il CDC monitora continuamente le visite dei pazienti per malattia simil-influenzale negli Stati Uniti, queste informazioni possono essere ritardate fino a due settimane dopo il tempo reale. Un nuovo studio, condotto dal Computational Health Informatics Program (CHIP) del Boston Children’s Hospital, combina due metodi di previsione con l’apprendimento automatico (intelligenza artificiale) per stimare l’attività influenzale locale. I risultati sono pubblicati su Nature Communications.
Quando l’approccio, denominato ARGONet, è stato applicato alle stagioni influenzali da settembre 2014 a maggio 2017, ha fatto previsioni più accurate rispetto al precedente approccio di previsione ad alte prestazioni del team, ARGO, in più del 75% degli stati studiati.
Ciò suggerisce che ARGONet produce le stime più accurate delle attività influenzali disponibili fino ad oggi, una settimana in anticipo rispetto ai report tradizionali basati sull’assistenza sanitaria, a livello statale in tutti gli Stati Uniti.
“Metodologie puntuali e affidabili per monitorare l’attività dell’influenza in tutti i luoghi possono aiutare i funzionari della sanità pubblica a mitigare epidemie e migliorare la comunicazione con il pubblico per aumentare la consapevolezza dei potenziali rischi”, afferma Mauricio Santillana, PhD, docente di CHIP e autore dello studio.
L’approccio ARGONet utilizza l’apprendimento automatico e due robusti modelli di rilevamento dell’influenza. Il primo modello, ARGO, sfrutta le informazioni provenienti da cartelle cliniche elettroniche, ricerche Google relative all’influenza e attività antinfluenzali storiche in un determinato luogo. Nello studio, ARGO da solo ha sovraperformato Google Trend, il precedente sistema di previsione che ha funzionato dal 2008 al 2015.
Per migliorare la precisione, ARGONet aggiunge un secondo modello, che attinge a modelli spazio-temporali di diffusione dell’influenza nelle aree vicine. “Sfrutta il fatto che la presenza di influenza nelle vicinanze potrebbe aumentare il rischio di insorgenza di una malattia in un dato luogo”, spiega Santillana, che è anche assistente alla Harvard Medical School.
Il sistema di apprendimento automatico è stato “addestrato” alimentando le previsioni sull’influenza di entrambi i modelli e i dati effettivi sull’influenza, contribuendo a ridurre gli errori nelle previsioni. “Il sistema valuta continuamente il potere predittivo di ciascun metodo indipendente e ricalibra come queste informazioni dovrebbero essere utilizzate per produrre stime influenzali migliorate”, afferma Santillana.
Gli investigatori ritengono che il loro approccio porrà le basi per una “sanità pubblica di precisione” nelle malattie infettive.
“Riteniamo che i nostri modelli diventeranno sempre più accurati nel tempo, man mano che verranno raccolti più volumi di ricerca online e man mano che sempre più fornitori di servizi sanitari incorporano record sanitari elettronici basati su cloud”, afferma Fred Lu, investigatore del CHIP e primo autore.
