We present the first detailed algor

We present the first detailed algorithmic analysis of how Google Flu Trends can be used as a basis for building a fully automated system for early warning of epidemics in advance of methods used by the CDC. Based on our work, we present a novel early epidemic detection system, called FluBreaks (dritte.org/flubreaks), based on Google Flu Trends data. We compared the accuracy and practicality of three types of algorithms: normal distribution algorithms, Poisson distribution algorithms, and negative binomial distribution algorithms. We explored the relative merits of these methods, and related our findings to changes in Internet penetration and population size for the regions in Google Flu Trends providing data.



The correlation coefficient between the KCDC ILI and virologic surveillance data was 0.72 (p

ผลลัพธ์ (ไทย) 1:

เรานำเสนอการวิเคราะห์รายละเอียด algorithmic แรกของวิธีแนวโน้มไข้หวัด Google สามารถใช้เป็นพื้นฐานสำหรับการสร้างระบบอัตโนมัติอย่างสมบูรณ์สำหรับการเตือนเริ่มต้นของโรคระบาดล่วงหน้าวิธีใช้ขั้นรุนแรง เราตามงาน แสดงเป็นนวนิยายต้นเรื้อรังระบบตรวจสอบ เรียกว่า FluBreaks (dritte.org/flubreaks), ตามข้อมูลแนวโน้มไข้หวัดใหญ่ Google เราเปรียบเทียบความถูกต้องและปฏิบัติจริงของสามชนิดของอัลกอริทึม: อัลกอริทึมของการแจกแจงปกติ การแจกแจงปัวซองอัลกอริทึม และอัลกอริทึมการแจกแจงแบบทวินามลบ เราอุดมบุญสัมพันธ์ของวิธีการเหล่านี้ และเราพบการเปลี่ยนแปลงขนาดเจาะและประชากรของอินเทอร์เน็ตสำหรับภูมิภาคใน Google แนวโน้มไข้หวัดใหญ่ให้ข้อมูลที่เกี่ยวข้องสัมประสิทธิ์สหสัมพันธ์ระหว่างข้อมูลเฝ้าระวัง virologic KCDC คาราถูก 0.72 (p < 0.05) มีความสัมพันธ์สูงสุดระหว่างการสอบถามแนวโน้ม Google ของ H1N1 และข้อมูลคารา ด้วยสัมประสิทธิ์สหสัมพันธ์ของ 0.53 (p < 0.05), สำหรับรอบระยะเวลาการศึกษาโดยรวม เมื่อเปรียบเทียบกับข้อมูล virologic KCDC แบบสอบถามแนวโน้ม Google ของไข้หวัดนกมีความสัมพันธ์สูงสุดกับสัมประสิทธิ์สหสัมพันธ์ของ 0.93 (p < 0.05) ในฤดูกาล 2010-11 สอบถามต่อไปนี้แสดงให้เห็นว่าสัมประสิทธิ์สหสัมพันธ์อย่างมีนัยสำคัญทางสถิติที่เปรียบเทียบกับข้อมูลหรือสำหรับซีซั่นต่อเนื่องสาม: Tamiflu (r =คือ 0.59, 0.86, 0.90, p < 0.05), ไข้หวัดใหม่ (r = 0.64, 0.43, 0.70, p < 0.05) และไข้หวัดใหญ่ (r = 0.68, 0.43, 0.77, p < 0.05)

ผลลัพธ์ (ไทย) 2:

เรานำเสนอการวิเคราะห์ขั้นตอนแรกที่มีรายละเอียดของวิธีการที่ Google แนวโน้มไข้หวัดใหญ่สามารถนำมาใช้เป็นพื้นฐานสำหรับการสร้างระบบอัตโนมัติอย่างเต็มที่สำหรับการเตือนภัยของโรคระบาดในอนาคตของวิธีการที่ใช้โดย CDC ขึ้นอยู่กับการทำงานของเราที่เรานำเสนอการระบาดของโรคในช่วงต้นของนวนิยายเรื่องระบบการตรวจสอบที่เรียกว่า FluBreaks (dritte.org/flubreaks) บนพื้นฐานของข้อมูลของ Google แนวโน้มไข้หวัดใหญ่ เราเมื่อเทียบกับความถูกต้องและการปฏิบัติจริงของสามประเภทของขั้นตอนวิธีอัลกอริทึมการกระจายปกติ Poisson ขั้นตอนวิธีการจัดจำหน่ายและขั้นตอนการกระจายทวินามเชิงลบ เราสำรวจญาติของวิธีการเหล่านี้และที่เกี่ยวข้องกับการค้นพบของเราไปสู่การเปลี่ยนแปลงในการรุกอินเทอร์เน็ตและขนาดของประชากรสำหรับภูมิภาคใน Google เทรนด์ไข้หวัดใหญ่ให้ข้อมูล. ค่าสัมประสิทธิ์สหสัมพันธ์ระหว่าง KCDC ILI และข้อมูลการเฝ้าระวังไวรัสเท่ากับ 0.72 (p <0.05) ความสัมพันธ์มากที่สุดคือระหว่างแบบสอบถาม Google แนวโน้มของ H1N1 และข้อมูล ILI โดยมีค่าสัมประสิทธิ์สหสัมพันธ์ของ 0.53 (p <0.05) สำหรับระยะเวลาการศึกษาโดยรวม เมื่อเทียบกับข้อมูล KCDC virologic แบบสอบถาม Google แนวโน้มของโรคไข้หวัดนกมีความสัมพันธ์สูงสุดด้วยค่าสัมประสิทธิ์สหสัมพันธ์เท่ากับ 0.93 (p <0.05) ในฤดูกาล 2010-11 คำสั่งดังต่อไปนี้แสดงให้เห็นว่าค่าสัมประสิทธิ์สหสัมพันธ์อย่างมีนัยสำคัญทางสถิติเมื่อเทียบกับข้อมูล ILI สามฤดูกาลติดต่อกัน: Tamiflu (r = 0.59, 0.86, 0.90, p <0.05), ไข้หวัดใหญ่สายพันธุ์ใหม่ (r = 0.64, 0.43, 0.70, p <0.05) และไข้หวัดใหญ่ (r = 0.68, 0.43, 0.77, p <0.05)

ผลลัพธ์ (ไทย) 3:

เรานำเสนอรายละเอียดแรกของขั้นตอนวิธีการวิเคราะห์แนวโน้มไข้หวัดใหญ่ว่า Google สามารถใช้เป็นพื้นฐานสำหรับอาคารอัตโนมัติระบบเตือนภัยของโรคระบาดในล่วงหน้าของวิธีการที่ใช้โดย CDC ขึ้นอยู่กับการทำงานของเรา เราเสนอนวนิยายแรกที่มีระบบตรวจจับที่เรียกว่า flubreaks ( dritte . org / flubreaks ) ตามข้อมูลแนวโน้มไข้หวัดใหญ่ Googleเราเทียบความถูกต้องและการปฏิบัติจริงสามประเภทของขั้นตอนวิธีขั้นตอนวิธี : การแจกแจงปกติ การแจกแจงปัวซงขั้นตอนวิธีและการแจกแจงทวินามลบขั้นตอนวิธี เราสำรวจประโยชน์สัมพัทธ์ของวิธีการเหล่านี้และที่เกี่ยวข้องกับการค้นพบการเปลี่ยนแปลงในการเจาะ Internet และขนาดของประชากรในภูมิภาคใน Google แนวโน้มไข้หวัดใหญ่



ที่ให้ข้อมูลสัมประสิทธิ์สหสัมพันธ์ระหว่าง kcdc หรือข้อมูลการเฝ้าระวังและ virologic คือ 0.72 อย่างมีนัยสำคัญทางสถิติ ( P < 0.05 ) ความสัมพันธ์ระหว่างแนวโน้มมากที่สุดคือ Google และแบบสอบถามวัด ข้อมูล หรือ มีสัมประสิทธิ์สหสัมพันธ์เท่ากับ ( p < 0.05 ) สำหรับการศึกษาโดยรวม เมื่อเทียบกับ kcdc virologic ข้อมูลแบบสอบถามของ Google แนวโน้มของไข้หวัดนกสูงมีความสัมพันธ์กับสัมประสิทธิ์สหสัมพันธ์เท่ากับ 0.93 ( P < 0.05 ) ในฤดูกาล 2010-11 . คำถามต่อไปนี้มีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติ เมื่อเทียบกับข้อมูลหรือสำหรับฤดูกาลที่สามติดต่อกัน : Tamiflu ( R   =   0.59 , 0.86 , 0.09 , p < 0.05 ) ไข้หวัดใหญ่สายพันธุ์ใหม่ ( R   =   0.64 , 0.43 , 0.70 , p < 0.05 ) และไข้หวัด ( r = 0.68    0.43 , 0.77 , , p < 0.05 )