从大流行中学习：利用非常规事件改进疾病现况预测模型
机器学习
2021-01-19 v1
摘要
在线搜索已被用于研究不同的健康相关行为，包括监测疾病暴发。一个明显的 caveat 是，个体寻求在线信息的动机多种多样，而无法识别人们动机的模型用途有限，甚至可能产生误导。在诸如当前大流行这样的非常规公共卫生危机期间尤其如此，此时恐惧、好奇以及许多其他原因可能导致个体搜索健康相关信息，从而掩盖了由疾病驱动的搜索。然而，健康危机也提供了一个机会，用以区分不同驱动因素并了解人类行为。在此，我们关注 21 世纪的两场大流行（2009 年 H1N1 流感和 Covid-19），并提出一种方法来区分与一般性信息寻求（媒体驱动）相关的搜索模式，以及可能更与实际感染（疾病驱动）相关的搜索模式。我们表明，通过从这种具有高焦虑和媒体炒作的大流行时期中学习，可以选择在线搜索并改善模型在大流行和季节性环境下的性能。此外，尽管常有说法称数据越多越好，我们的结果表明，正确数据的较低体量可能优于纳入大量表面相似的数据，尤其是从长远来看。我们的工作提供了一个可应用于特定事件和疾病之外的通用框架，并论证了算法可以仅通过使用更少（更好）的数据来改进。这具有重要的意义，例如，用于解决机器学习中的准确性—可解释性权衡。
引用
@article{arxiv.2101.06774,
title = {Learning from pandemics: using extraordinary events can improve disease now-casting models},
author = {Sara Mesquita and Cláudio Haupt Vieira and Lília Perfeito and Joana Gonçalves-Sá},
journal= {arXiv preprint arXiv:2101.06774},
year = {2021}
}