监督学习改进疾病暴发检测

传染病暴发的早期检测是保护人群健康的关键任务。为此，已建立公共卫生监测系统以系统收集和分析传染病数据。现有多种统计工具，利用这些数据将潜在暴发检测为偏离预期地方病水平的异常。在此，我们开发了首个基于隐马尔可夫模型的疾病暴发检测监督学习方法，其利用了公共卫生监测系统内常规收集的数据。我们使用真实的沙门氏菌与弯曲菌数据以及模拟对我们的模型进行评估。与在德国等多个欧洲国家应用的最先进方法相比，我们提出的模型在保持相同灵敏度的同时将假阳性率降低了至多 50%。我们将监督学习方法视为进一步发展用于疾病暴发检测的机器学习应用的重要一步，这将有助于改进公共卫生监测系统。