新传媒网对公共健康的可怕威胁可能来自各种各样的来源——例如，传染病、大量药物过量或接触有毒化学物质。联邦、州和地方卫生部门必须对疾病爆发和其他新出现的生物威胁迅速做出反应。虽然当前用于“症状监测”的自动化系统可以通过监测健康数据和检测疾病集群来提供帮助，但它们无法检测具有罕见或以前未见症状的集群。
纽约大学机器学习促进良好实验室 (ML4G Lab) 与卡内基梅隆大学和纽约市健康与心理卫生部 (NYC DOHMH) 的同事进行的一项新研究通过提出用于“症状前”监视的新机器学习方法。
该方法被整合到一个自动化系统中，使公共卫生从业人员能够在未来更快、更有效地应对快速出现的威胁，包括那些不寻常或新颖的威胁。
“现有系统擅长检测我们已经知道并正在积极寻找的疾病爆发，例如流感或 COVID，”该研究的资深作者兼 ML4G 实验室主任纽约大学教授 Daniel B. Neill 评论道。“但是当一些新的和可怕的事情出现时会发生什么?预症状监测提供了一个安全网来识别其他系统无法检测到的新兴威胁。”
该研究发表在《科学进展》上。
作者的疾病监测方法被称为症状前监测，因为它依赖于所有患者状况的数字通信文本数据，而不是根据现有疾病综合征(例如“流感样”或“胃肠道”疾病)。新系统能够快速识别卫生部门尚未意识到的新出现的综合症。
为此，机器学习技术使用来自医院急诊科 (ED) 就诊的匿名“主诉”数据。主诉通常由患者用自己的话提供(例如，“过去三天我头疼得很厉害，现在我的耳朵很痛”)，并由 ED 分诊护士记录下来。
该方法能够识别主诉词和短语的趋势和模式，从而能够检测到局部病例群。它可以将从业者的反馈纳入自动区分相关和不相关案例集群的服务中。它为医院以及地方和州卫生部门提供个性化和可操作的决策支持。
