根据《自然-通讯》本周发表的一项研究Forecasting influenza activity using machine- learned mobility map，对匿名手机数据进行基于机器学习的分析可以模拟并预报流感的传播。研究显示，这个移动地图能够准确预报纽约市和澳大利亚的流感传播情况。

病毒性疾病在人群中的传播取决于感染者和未感染者之间的互动。目前用来预测疾病在一个城市或国家传播的模型数据存在稀疏和不精确的问题，比如通勤调查或网上搜索数据。

为了获得一个更稠密的数据集，美国加州山景城谷歌公司的Adam Sadilek和同事从打开“位置历史记录”（Location History）功能的安卓手机上收集了匿名追踪数据，并利用机器学习方法将这些数据拆分成单个“行程”，进而构建出一个人群移动地图。他们借助一个根据医院挂号和检验数据进行校准的传染病传播模型，利用这个移动地图预报了2016年至2017年纽约市内和周围的流感活动。他们发现这个模型比常用的标准预报模型表现更好，和使用通勤调查数据差不多――但已知通勤调查数据收集起来成本更高。他们还预报了2016年流感季澳大利亚国内的流感传播。虽然澳大利亚的人口更稀疏，流感动力学也不同，但这个模型依然能准确预测流感的高峰和低谷 。

现有的高分辨率移动数据来自手机通话记录，这些记录具有提供者特异性，一般无法反映跨境或跨国移动。位置数据没有这方面的限制，因此对于监测长距离的疾病传播更具潜力。不过，这些数据在完整性上有欠缺，因为智能手机使用率低的小孩和老人的移动数据并不包含在内。虽然存在这些限制，但作者证明了利用手机数据预报流行病传播的潜力。仍需开展进一步研究确定该方法是否也适用于SARS-CoV-2这类病毒性传染病。

整体方法

©Nature

  Nat Com | doi: 10.1038/s41467-021-21018-5