想象一下，你的防毒面具就像降落伞一样。大多数时候，它会放在你的储物柜里或放在你车里的某个地方。但当COVID-19疫情出现在预测中时，你可以使用它。
此外，强烈的病毒预测可能会促使你在和朋友喝咖啡时选择户外的桌子。如果感染冠状病毒有可能使你患上重病，你可以选择在家工作或在线参加教堂礼拜，直到威胁过去。
这样的未来假设美国人会注意关于大流行病毒的公共卫生警告——这是一件大事，如果。它还假设有一个系统能够可靠地预测即将发生的疫情，几乎没有假警报，并且有足够的时间和地理准确性，让公众可以相信它的预测。
一群准预测者说它具备了这样一个系统的条件。他们关于建立病毒式天气报告的提议本周发表在《科学进展》杂志上。
这个消息
今天就获得免费的冠状病毒通讯
订阅获取最新的新闻，顶级故事，以及它们对您的意义，以及您的问题的答案。
你可能偶尔会收到《洛杉矶时报》的促销内容。
与推动天气预报的气象模型一样，COVID-19疫情预测系统也是由数百个地方和全球信息流提供的海量数据形成的。它们包括有时间戳的在线搜索症状，如胸闷、嗅觉丧失或疲劳;带有地理位置标记的推文，包括“冠状病毒”、“大流行”或“抢购”等术语;智能手机收集的位置数据可以揭示有多少人在旅行;网上问路人数下降，表明外出的人越来越少。
由此产生的信息量远远超出人类的管理能力，更不用说解释了。但在强大的计算机和软件的帮助下，这些软件经过训练，可以筛选、解释和从数据中学习，地图开始浮出水面。
如果你将这张地图与历史数据进行对比——在这个例子中，是93个县两年的流行病学经验——并相应地更新，你可能就有了一个疫情预测系统的材料。
这正是东北大学一位计算机科学家领导的团队所做的。为了为COVID-19疫情创建一个早期预警系统，该研究的作者构建了一个“机器学习”系统，该系统能够咀嚼数百万个数字痕迹，整合新的本地发展，提高对疾病微妙迹象的关注，并及时发布即将到来的COVID-19本地激增的通知。-19年。
在他的许多互联网搜索中，有一个被证明是即将爆发疫情的一个特别好的警告信号:“COVID会持续多久?”
根据真实数据进行测试，研究人员的机器学习方法提前六周预测了当地病毒流行率的增加。警报几乎是在每个感染者都可能将病毒传播给至少一个人的时候响起的。
在测试了全县367次实际疫情的预测后，该项目为其中337次(92%)提供了准确的早期预警。在剩下的30个疫情中，有23个已经被确定，就像人类卫生官员所看到的那样。
一旦Omicron变体开始在美国广泛传播，早期预警系统就能够发现87%的疫情的早期证据。
具有这些功能的预测系统可能对地方、州和国家公共卫生官员有用，他们需要规划COVID-19疫情，并警告弱势公民，冠状病毒有可能在当地卷土重来。
东北大学促进健康和环境机器智能小组负责人毛里西奥·桑塔亚纳说:“我们的目光已经超越了”Covid。
他说:“我们的工作旨在记录可能不仅对这次流感有用，而且对下一次大流行有用的技术和方法。”“我们正在获得公共卫生官员的信任，所以当另一种疾病开始在全国蔓延时，他们不需要更多的说服。”
对于该州的公共卫生机构和疾病控制与预防中心(Centers for Disease Control and Prevention)来说，这可能并不容易接受，它们都在努力跟上大流行数据，并采用新的方法来跟踪病毒的传播。该机构主任罗谢尔·瓦伦斯基(Rochelle Walensky)博士承认，疾控中心在大流行期间无法有效适应和沟通，导致了一些“重大和公开的失误”。她还警告说，只有“改变文化”才能让联邦机构为下一次大流行做好准备。
美国疾病控制与预防中心在开发预测工具方面的平淡努力也没有为容易被接受铺平道路。2022年对疾病预防控制中心使用的预测工作进行的评估得出结论，大多数人“未能可靠地预测COVID-19病例和住院治疗的快速变化”。这份评估报告的作者警告说，迄今为止开发的系统“不应依赖于对趋势快速变化的可能性或时机做出决定”。
纽约大学(New York University)机器学习专家阿纳斯·巴里(Anas Barry)称这个新的预警系统“非常有前景”，尽管“仍处于实验阶段”。
“论文中提出的机器学习方法是很好的、成熟的、经过充分研究的，”Barry说，他没有参与这项研究。但他警告说，在像大流行这样千载难逢的紧急情况下，过度依赖新模型来预测事件将是危险的。
巴里指出，首先，冠状病毒首次与人类接触并没有产生充分测试模型准确性所需的长期历史记录。大流行的三年时间给了研究人员很少的时间来识别当大量数据被扔进罐子时产生的“噪音”。
疾病控制与预防中心和州卫生部门才开始使用流行病学技术，如动态基因测序和废水监测来监测冠状病毒的传播。Santillana说，使用机器学习来预测即将到来的病毒峰值的位置，可以为这些机构带来想象力的又一次飞跃。
事实上，接受像Santillana团队开发的早期预警工具可能也需要一些信念的飞跃。当计算机程序消化大量数据并开始辨别它们可以揭示的模式时，它们经常会产生令人惊讶的“特征”——有助于预测重要事件的变量或搜索词，比如病毒突变。
即使这些可见的迹象被证明可以准确预测此类事件，它们与公共卫生突发事件的相关性可能不会立即显现出来。一个突然的信号可能是一个新趋势的第一个迹象——例如，一个以前看不见的症状是由一个新的变种引起的。但在公共卫生官员看来，它们也可能是如此随机，以至于他们对该软件预测即将爆发疫情的能力产生了怀疑。
桑蒂亚纳还在哈佛大学公共卫生学院任教，他说，他的小组早期工作的评论者对一些信号表示怀疑，这些信号是即将爆发疫情的警告信号。桑塔亚纳说，其中一条关于“恐慌性抢购”的推文，似乎是机器发出的一个错误信号，它遇到了一个随机事件，并赋予了它意义。
他为纳入“恐慌性抢购”信号进行了辩护，认为这是国内疫情即将爆发的信号。(毕竟，疫情暴发初期，大米和卫生纸等基本生活用品短缺。)但他承认，“黑匣子”预警系统可能会遇到来自公共卫生官员的阻力，他们需要对其预测有信心。
桑塔亚纳说:“我认为决策者的担忧是合理的。”“当我们找到一个信号时，它必须是可靠的。”