Hur Wikipedia-data revolutionerar influensaprognoser

Den här gången förra året lanserade Centers for Disease Control and Prevention i Atlanta en tävling för att hitta det bästa sättet att förutsäga egenskaperna för influensasäsongen 2013-2014 med hjälp av data som samlats in från internet. Idag avslöjar Kyle Hickmann från Los Alamos National Laboratories i New Mexico och några kompisar resultaten av deras modell som använde realtidsdata från Wikipedia för att förutsäga sanningsdata som samlats in av CDC och som dyker upp cirka två veckor senare.

De säger att deras modell har potentialen att förvandla influensaprognoser från en svartkonst till en modern vetenskap lika välgrundad som väderprognoser.

Influensa tar mellan 3 000 och 49 000 liv varje år i USA så en korrekt prognos kan ha en betydande inverkan på hur samhället förbereder sig för epidemin. Den nuvarande metoden för att övervaka influensautbrott är något föråldrad. Den förlitar sig på ett frivilligt system där folkhälsotjänstemän rapporterar andelen patienter som de träffar varje vecka med influensaliknande sjukdomar. Detta definieras som andelen personer med en temperatur över 100 grader, hosta och ingen annan förklaring än influensa.

Dessa siffror ger en känsla av förekomsten av influensa vid vilket ögonblick som helst, men noggrannheten är helt klart begränsad. De tar till exempel inte hänsyn till personer med influensa som inte söker behandling eller personer med influensaliknande symtom som söker behandling men inte har influensa.

Det finns ett annat betydande problem. Nätverket som rapporterar dessa data är relativt långsamt. Det tar ungefär två veckor för siffrorna att filtrera igenom systemet så att data alltid är veckor gamla.

Det är därför CDC är intresserade av att hitta nya sätt att övervaka spridningen av influensa i realtid. Google, i synnerhet, har använt antalet sökningar efter influensa och influensaliknande symtom för att förutse influensa i olika delar av världen. Det tillvägagångssättet har haft stor framgång men också några förbryllande misslyckanden. Ett problem är dock att Google inte gör sin data fritt tillgänglig och denna brist på transparens är en potentiell källa till problem för denna typ av forskning.

Så Hickmann och co har vänt sig till Wikipedia. Deras idé är att variationen i antalet personer som kommer åt artiklar om influensa är en indikator på sjukdomens spridning. Och eftersom Wikipedia gör denna information fritt tillgänglig för alla intresserade, är det en helt transparent källa som sannolikt kommer att vara tillgänglig under överskådlig framtid.

Hickman och co använder influensaartikeldata från tidigare år för att träna en maskininlärningsalgoritm för att upptäcka kopplingen till de influensaliknande sjukdomssiffrorna som samlats in av CDC. De använde sedan algoritmen för att förutsäga influensanivåer i realtid under förra årets influensasäsong.

Resultaten är en bra förutsägelse av de fakta som CDC gör tillgängliga två veckor senare. Tillgångsloggar för Wikipedia-artiklar har visat sig vara starkt korrelerade med historiska influensaliknande sjukdomsregister och möjliggör noggrann förutsägelse av influensaliknande sjukdomsdata flera veckor innan de blir tillgängliga, säger Hickmann och co.

Det finns dock en varning. Ett problem är att prognoserna avsevärt underskattar storleken på slutet av influensasäsongen. Det beror förmodligen på att människor tenderar att inte återvända till Wikipedias influensaartiklar om de återinfekterades med en annan influensastam, som är en betydande källa till sjukdomen sent på säsongen. Eftersom vår modell inte tar hänsyn till återinfektion eller flera stammar av influensa, förutsägs inte epidemins svans långt efter att influensasäsongens topp har passerat, erkänner de.

Ändå är arbetet ett viktigt steg mot ett system för förutsägelser som är lika detaljerat och välgrundat som väderprognoser. En användbar egenskap hos deras metod är att den visar när modellen avviker från grundsanningsdata. Det gör att den kan justeras i realtid för att ta hänsyn till dessa skillnader, precis som en väderprognos.

Sjukdomsprognoser är en vetenskap i sin linda men den har potential att drastiskt förbättra den medicinska världens nivå av förberedelser för epidemier. De grova uppskattningar som läkare har varit tvungna att arbeta med fram till nu leder ofta till betydande nivåer av över- eller underberedskap.

Det ser troligt ut att förändras. Och med influensasäsongen 2014-2015 redan på väg, ju förr desto bättre.

Ref: arxiv.org/abs/1410.7716 : Prognostisera influensasäsongen 2013–2014 med hjälp av Wikipedia

Dölj