Cảm cúm là loại bệnh dễ lây nhiễm và lan rộng khi con người di chuyển, điều này khiến việc theo dõi và dự báo dịch cúm trở nên khó khăn. Mặc dù Trung tâm phòng chống và Kiểm soát dịch bệnh Hoa Kỳ (CDC) đã liên tục theo dõi tình trạng bệnh cúm ở nước này, nhưng thông tin vẫn có thể bị trễ đến hai tuần so với thời gian thực. Do đó, một nghiên cứu mới (được đăng trên tạp chí Nature Communications) của Bệnh viện Nhi Boston đã kết hợp công nghệ máy học (trí tuệ nhân tạo) với hai phương pháp dự báo dịch bệnh tiên tiến để đánh giá tình trạng diễn biến của cảm cúm tại một địa điểm nhất định.

Phương pháp, có tên gọi ARGONet, được dùng để đánh giá tình trạng dịch cúm từ 9/2014 - 5/2017. Kết quả cho thấy, ARGONet đã đưa ra các dự đoán chính xác hơn phương pháp sử dụng trước đó trong hơn 75% các bang được nghiên cứu tại Hoa Kỳ. Có thể thấy rằng, ở cấp tiểu bang, ARGONet đã đưa ra các dự báo chính xác nhất về tình trạng dịch cúm ngay tại thời điểm diễn ra và trước một tuần so với các báo cáo chăm sóc sức khỏe truyền thống.

"Phương pháp theo dõi tình trạng dịch cúm mọi nơi một cách kịp thời và đáng tin cậy có thể giúp các cơ sở tế công cộng giảm thiểu sự bùng phát dịch, đồng thời cải thiện và nâng cao nhận thức của cộng đồng về các rủi ro tiềm tàng của dịch cúm", TS. Mauricio Santillana, trợ lý giáo sư Đại học Y Harvard, tác giả chính của nghiên cứu, cho biết.

Phương pháp ARGONet sử dụng công nghệ trí tuệ nhân tạo kết hợp với hai mô hình dự đoán dịch cúm hiệu quả nhất hiện nay. Mô hình đầu tiên được nhóm các nhà nghiên cứu ứng dụng là ARGO (AutoRegression with General Online information). ARGO sử dụng các dữ liệu từ hồ sơ sức khỏe điện tử, kết quả tìm kiếm liên quan đến cúm trên Google và lịch sử tình trạng cúm tại địa phương để dự báo tình trạng dịch. Trong nghiên cứu, ARGO đã cho thấy những ưu điểm vượt trội hơn so với Google Flu Trends - hệ thống dự báo dịch cúm hoạt động từ năm 2008-2015 của Google.

Để tăng độ chính xác, ARGONet bổ sung thêm mô hình dự đoán thứ hai dựa trên không gian và thời gian dịch cúm lan truyền tại các khu vực lân cận. "Mô hình đã khai thác các thông tin về sự hiện diện của cúm ở các địa điểm gần đó và xem xét khả năng làm tăng nguy cơ bùng phát dịch bệnh tại một địa điểm nhất định", Santillana giải thích.

Hệ thống máy học ứng dụng trong nghiên cứu được "đào tạo" bằng các dữ liệu từ cả hai mô hình dự báo dịch bệnh cũng như dữ liệu tình trạng thực tế, điều này giúp giảm thiểu sai sót trong kết quả dự đoán. "Hệ thống liên tục đánh giá kết quả của từng phương pháp độc lập, sau đó tính toán và sắp xếp lại thông tin để tạo ra các dự đoán chính xác nhất", Santillana nói.

Theo Fred Lu, một tác giả nghiên cứu, ARGOnet sẽ ngày càng chính xác hơn, khi nó thu thập được nhiều dữ liệu tìm kiếm trực tuyến và ngày càng nhiều nhà cung cấp dịch vụ y tế lưu trữ hồ sơ sức khỏe điện tử của bệnh nhân bằng công nghệ đám mây.

Theo Science Daily