
文章介紹
亞熱帶的臺灣,季節性流感是公衛上重要的問題,由於 2004 年開始,臺灣 CDC 維護了很不錯的即時流感監測系統,並有詳細記錄,鄭皓元醫師與其團隊,預計使用這些巨量資料,嘗試使用機器學習,建立模型後,進一步做即時預測。
資料收入了傳染病監測系統、健保資料庫、流感重症資料,然後分別用四種模型去做機器學習,這些模型將用於預測指定的某一周,以及接下來三周的流感狀況。用來訓練的資料是 2008 到 2014 年的,接著用 2015-2017 的資料做確認,然後更進一步用 2018 年的即時資料確認其準確度。
結果發現,所有的模型都能對季節流感的時間與強度做出準確的預測,包括指定周,以及接下來的三周,其中 ensemble model(集成模型)表現特別好。在 2018 年的真實世界使用經驗中,其預測表現也一樣相當不錯。
總結來說,集成機器學習能有效的預測即時四周流感狀況,並達到加速決策的效果。
藉由大量收集的數位資料,訓練機器學習,並嘗試預測重要的真實世界參數,是近年機器學習論文的熱門主題。另外,本文的通訊作者,是在 COVID-19 疫情期間,扮演重要角色的莊人祥醫師。
恭喜鄭皓元醫師!





