您的位置:365bet在线投注官网 > 心理学 > 计算机模型更准确地识别食源性疾病的来源

计算机模型更准确地识别食源性疾病的来源

发布时间:2019-01-12 21:05编辑:心理学浏览(145)

      据现有的消费者投诉和例行检查方法,与现有的消费者投诉和例行检查方法相比,使用机器学习和从登录的谷歌用户中取消识别和汇总搜索和位置数据的新计算机模型在识别可能不安全的餐馆时更为准确。由谷歌和哈佛TH陈公共卫生学院。研究结果表明,该模型可以近乎实时地帮助识别食品安全中的失误。

      “食源性疾病是常见的,成本高昂,并且每年都有数千名美国人在急诊室就诊。这种由谷歌开发的新技术可以帮助餐馆和当地卫生部门在他们成为更大的公共卫生问题之前更快地发现问题,”作者Ashish Jha,KT Li哈佛陈学院全球健康教授,哈佛全球卫生研究所所长。

      食源性疾病在美国是一个长期存在的问题,目前餐馆和当地卫生部门确定疫情的方法主要依赖于消费者投诉或例行检查。这些方法可能是缓慢和麻烦的,通常导致延迟的反应和疾病的进一步传播。

      为了克服这些缺点,谷歌研究人员开发了一种机器学习模型,并与哈佛大学合作在芝加哥和拉斯维加斯进行测试。该模型首先对可以指示食源性疾病的搜索查询进行分类,例如“胃痉挛”或“腹泻”。然后,该模型使用来自已选择保存它的人的智能手机的去识别和聚合的位置历史数据,以确定搜索这些条件的人最近访问过哪些餐馆。

      然后,每个城市的卫生部门都会获得一份餐馆名单,这些餐馆被模型确定为食源性疾病的潜在来源。然后,该市将向这些餐馆派遣卫生检查员,尽管卫生检查员不知道他们的检查是否是由这种新模式或传统方法引起的。在研究期间,卫生部门也继续遵循其通常的检查程序。

      在2016年11月至2017年3月期间部署该模型的芝加哥,该模型提示了71次检查。该研究发现,该模型检测到的不安全餐馆的比率为52.1%,而基于投诉的系统引发的检查率为39.4%。研究人员指出,芝加哥拥有全国最先进的监测计划之一,并已采用社交媒体挖掘技术,但这种新模式在确定违反食品安全的餐馆时更为精确。

      在拉斯维加斯,该模型于2016年5月至8月间部署。与卫生部门进行的例行检查相比,它具有更高的识别不安全餐馆的准确率。

      当研究人员将该模型与拉斯维加斯和芝加哥卫生部门的例行检查进行比较时,他们发现该模型检测到的两个城市的不安全餐馆的总体比率为52.3%,而通过例行检查检测到不安全餐馆的整体比率这两个城市的比例为22.7%。

      有趣的是,该研究表明,在该模型确定的所有病例中,有38%的餐馆可能引起食源性疾病并不是最近一个被搜索与症状相关的关键词的人所访问的。作者说这很重要,因为之前的研究表明,人们往往责怪他们去过的最后一家餐馆,因此可能会对错误的餐馆提出投诉。作者说,在临床上,食物性疾病可能需要48小时甚至更长时间才能在有人接触后出现症状。

      新模型在精确度,规模和潜伏期(人们生病和确定爆发之间经过的时间)方面优于基于投诉的检查和例行检查。研究人员指出,该模型最适合作为卫生部门和餐馆使用的现有方法的补充,使他们能够更好地确定检查的优先次序并进行内部食品安全评估。对事件采取更积极主动和及时的反应可能意味着更好的公共卫生结果。此外,该模型对于无法负担安全操作人员应用先进的食品安全监控和数据分析技术的中小型餐馆而言可能是有价值的。

    转载请注明来源:计算机模型更准确地识别食源性疾病的来源