日前刊登在美国《国家科学院院刊》网络版上的一项新研究宣称，两位美国研究者通过将记录流感的谷歌数据与最新的天气预报技术相结合，研发出了一种能够提前7周以上预测区域性流感爆发高峰期的计算机模型。他们希望他们的系统有一天能够帮助卫生当局和公众为季节性流感爆发做好准备。
新模型让流感预报成为可能
研究人员表示，与天气预报类似，一个集合中的个别流感预报之间的差异可以提供预报的置信度衡量标准。这项研究代表着科学家朝着开发一种可以用来实时追踪和预报季节性流感暴发的工具迈出了重要一步。
季节性流感爆发的高峰期因时间和地域而有很大的差异性。在北半球温带地区，流感爆发的高峰期可发生于10月至第二年4月期间的任何时候。Shaman在报刊的声明中说到，他们的模型能够为伴随着流感患病率上升和下降而发生的变化提供一个窗口。他预测这种流感预报未来将会和天气预报一起出现在当地电视新闻上。
他说，正如天气一样，流感的情况也因地而异。例如亚特兰大的流感高峰期就比安克雷奇来的早些。Shaman说，因为我们都很熟悉天气预报，当我们知道有80%的可能性会下雨时，我们就直觉地考虑是否该带雨伞。他补充说，我希望我们能建立一个与天气预报同样方便且信任度高的流感预报，同时培养人们面对不同的流感预报时我们应该如何保护自己的直觉知识。研究者说，这样能够促使人们更加留意自己的感受并采取防范措施，比如注射流感疫苗，在周围有人打喷嚏或者咳嗽时候更加注意一些。
另一方面，这种流感预报能够帮助当局计划贮存疫苗和抗病毒药物的数量，而且在严重爆发的情况下可决定是否关闭学校。Shaman 和 Karspec将用于天气预报的原理应用于他们的模型。其中之一就是随着实时的数据进行调整，“因此使得模型与实际情况相符同时减少模型模拟时的误差。”Shaman如是说。他们用纽约市2003-2008之间与流感季相关的数据测试模型。
通过谷歌流感趋势，在指定的区域内以流感相关搜索为基础他们获得估计流感爆发的近似实时数据。当他们将数据输入模型并与流感爆发的实际模式进行对比，他们发现这个模型能提前7周以上预测流感爆发高峰期。
这项研究的赞助者，美国国立卫生研究院国家全科医学研究所的Irene Eckstrand说：流感预报有可能大大提升我们应对和管理每年都出现的季节性流感爆发的能力。在美国，每年都有大约35,000人死于流感。全世界每年大约在250,000到500,000之间。目前Shaman正在计划在美国的其他地区试验这个模型，因为这种方法在纽约起作用但不表示在迈阿密同样有效。
Forecasting seasonal outbreaks of influenza
Jeffrey Shamana, and Alicia Karspeckb
Influenza recurs seasonally in temperate regions of the world; however, our ability to predict the timing, duration, and magnitude of local seasonal outbreaks of influenza remains limited. Here we develop a framework for initializing real-time forecasts of seasonal influenza outbreaks, using a data assimilation technique commonly applied in numerical weather prediction. The availability of real-time, web-based estimates of local influenza infection rates makes this type of quantitative forecasting possible. Retrospective ensemble forecasts are generated on a weekly basis following assimilation of these web-based estimates for the 2003–2008 influenza seasons in New York City. The findings indicate that real-time skillful predictions of peak timing can be made more than 7 wk in advance of the actual peak. In addition, confidence in those predictions can be inferred from the spread of the forecast ensemble. This work represents an initial step in the development of a statistically rigorous system for real-time forecast of seasonal influenza.
