基于不同研究设计与情境症状数据用于感染预测的域适应

急性呼吸道感染具有流行和大流行潜力，因此正在全球范围内被研究，尽管是在许多不同的情境和研究形式下。从症状数据预测感染至关重要，但汇总使用来自不同研究的症状数据具有挑战性，因为数据是以不同方式收集的。因此，不同的症状特征在某些研究中可能更具预测性，或者甚至同名症状在不同情境下可能具有不同含义。我们评估了最先进的迁移学习方法，用于改善在从临床到家访以及众包研究等多种类型医疗数据上从症状数据预测感染。我们展示了关于六种不同研究类型及其特征域的有趣特性。此外，我们证明可以使用从一个研究收集的数据预测另一研究中的感染，其效果接近或优于使用单一数据集对自身进行预测。我们还研究了在何种条件下特定的迁移学习和域适应方法在症状数据上可能表现更好。这项工作具有广泛适用性潜力，因为我们展示了如何将一个公共卫生研究设计的学习迁移到另一个，且从一个研究收集的数据可用于预测另一个的标签，即使是通过不同的研究设计、人群和情境收集的。