结合数字数据流和流行病网络用于实时疫情检测
机器学习
2025-11-11 v1
摘要
应对疾病疫情需要密切监视其轨迹，但疫情检测受高噪声流行病时间序列的阻碍。跨数据源聚合信息在其他领域显示出巨大的去噪能力，但在流行病学领域仍未得到充分探索。本文提出了 LRTrend，一个可解释的机器学习框架，用于实时识别疫情。LRTrend 有效地在一个地区内整合多样化的健康和行为数据流，并学习疾病特定的流行病网络，以整合跨地区的信息。我们揭示了美国不同地区存在多样化的流行病聚类和连接，这些聚类和连接不符合常用的人类移动网络，可能对未来的公共卫生协调具有启发意义。我们将 LRTrend 应用于 305 个医院转诊区域的 2 年新冠疫情数据，并在疫情初始 2 周内频繁检测到各地区的 Delta 和 Omicron 波峰，即使在病例数目仅为波峰的很小部分时也能实现检测。
引用
@article{arxiv.2511.07163,
title = {Combining digital data streams and epidemic networks for real time outbreak detection},
author = {Ruiqi Lyu and Alistair Turcan and Bryan Wilder},
journal= {arXiv preprint arXiv:2511.07163},
year = {2025}
}