Flusion：用于精准流感预测的多数据源集成
机器学习
2024-07-30 v1 机器学习
种群与进化
应用统计
摘要
过去十年，美国疾病控制与预防中心（CDC）组织了年度流感预测挑战赛，旨在通过准确的概率性预测提高情境意识，并制定更有效的公共卫生行动。自2021/22流感季节起，此次挑战赛的预测目标基于CDC国家医疗保健安全网络（NHSN）监测系统报告的入院数据。通过NHSN报告的流感入院自近几年才开始，因此该信号的历史数据有限。为了在目标监测系统数据有限的情况下进行预测，我们将这些数据与两个较长历史记录的信号补充：1）ILI+，估算患者患有流感的门诊就诊比例；2）在特定医疗机构进行的实验室确认的流感入院率。我们的模型Flusion是一个集成模型，将梯度提升分位数回归模型与贝叶斯自回归模型相结合。梯度提升模型在所有三个信号上进行训练，而自回归模型仅在目标信号上进行训练；所有模型都在多个地点的多个数据上联合训练。Flusion在2023/24赛季的CDC流感预测挑战赛中获得了最佳成绩。本文我们检验Flusion成功的因素，发现其强劲性能主要来自在多个监测信号和地点的多个数据上联合训练的梯度提升模型。这些结果表明，在共享跨地点和监测信号的信息方面具有价值，尤其是当这种做法能够增加可用训练数据的池子时。
引用
@article{arxiv.2407.19054,
title = {Flusion: Integrating multiple data sources for accurate influenza predictions},
author = {Evan L. Ray and Yijin Wang and Russell D. Wolfinger and Nicholas G. Reich},
journal= {arXiv preprint arXiv:2407.19054},
year = {2024}
}