机器学习流行病学：规模化实时检测食源性疾病
计算机与社会
2018-12-06 v1 机器学习
摘要
机器学习已成为解决复杂问题日益强大的工具，但其在公共卫生中的应用尚未得到充分利用。本研究的目的是在真实世界环境中检验机器学习食源性疾病检测模型的有效性。为此，我们构建了 FINDER，一种利用匿名和聚合的网络搜索与位置数据实时检测食源性疾病的机器学习模型。我们计算了访问特定餐厅且随后搜索指示食物中毒术语的人数比例，以识别潜在不安全的餐厅。我们利用该信息在两座城市重点开展餐厅检查，并证明 FINDER 提高了卫生检查的准确率；由 FINDER 识别的餐厅在检查中被判定为不安全的可能性是现有方法识别餐厅的 3.1 倍。此外，FINDER 使我们能够查明先前难以处理的流行病学信息，例如，在 38% 的案例中，可能导致食物中毒的餐厅并非最后光顾的那家，这或可解释基于投诉的检查精度较低的原因。我们发现 FINDER 能够可靠识别存在食品安全主动疏失的餐厅，从而得以实施纠正措施，防止食源性疾病的潜在传播。
引用
@article{arxiv.1812.01813,
title = {Machine-learned epidemiology: real-time detection of foodborne illness at scale},
author = {Adam Sadilek and Stephanie Caty and Lauren DiPrete and Raed Mansour and Tom Schenk and Mark Bergtholdt and Ashish Jha and Prem Ramaswami and Evgeniy Gabrilovich},
journal= {arXiv preprint arXiv:1812.01813},
year = {2018}
}