机器学习已成为解决复杂问题的一种日益强大的工具,其在公共卫生中的应用未得到充分利用。这项研究的目的是测试机器学习模型在现实环境中的非食物疾病检测的功效。为此,我们构建了一个机器学习模型,用于使用匿名和聚合的网络搜索和位置数据实时检测食源性疾病。我们计算了访问某个特定餐馆的人员的分数,然后搜索了指示食物中毒的故障以识别可能不安全的餐馆。我们利用这些信息来关注两个城市的餐馆检查,并证明FINDER提高了健康检查的准确性; FINDER确定的餐馆是通过现有方法确定的餐馆可能被视为未经检查的3.1倍。此外,FINDER使我们能够确定以前难以处理的流行病学信息,例如,在38%的情况下,餐馆潜在地引起食物中毒不是最后一次访问,这可能解释基于投诉的检查的准确性较低。我们发现,FINER能够可靠地识别具有主动失效信息的餐馆,允许实施纠正措施,以防止食源性疾病的潜在传播。
translated by 谷歌翻译