尽管流感在很大程度上是可以通过疫苗预防的，但它给美国的医疗保健系统带来了负担，每年造成3000- 50000人死亡。 1， 2]。作为众多流感监测系统之一，美国疾病控制和预防中心(CDC)通过计算合作卫生保健提供者向美国流感样疾病门诊监测网络(ILINet)报告的流感样疾病综合征(ILI)门诊就诊人数来监测流感活动。美国疾病控制与预防中心将ILI定义为发烧(≥100°F或37.8°C)和咳嗽和喉咙痛，除了流感以外没有其他已知原因[ 3.]。这种监测方法主要捕获了因流感症状求医者的信息，从而忽略了那些不与卫生保健系统互动的人。此外，这种监测方法受到技术相对陈旧和疾病事件发生与监测信息发布之间延迟长达1至2周的限制[ 4]。

综合征监测可定义为实时或接近实时地监测疾病综合征，以便及早发现疾病暴发，它已纳入使用新的数据来源，如急诊科记录和处方销售，以加强传统的监测系统[ 5- 7]。最近，非传统数据源，特别是基于网络的数据源，在公共卫生监测中得到了更大的应用。这一点尤其明显，因为出现各种症状的人可能会在网上搜索与健康相关的信息，并在寻求医疗服务之前使用社交媒体平台分享他们的疾病经历。使用诸如搜索查询和社交媒体等基于网络的数据源已被称为数字流行病学[ 8- 10]。数字流行病学可以更便宜、更及时，并且可以通过增加可检测的卫生事件范围来扩大检测范围。

随着互联网用户数量的增加[ 11]，研究人员已经确定使用谷歌，Twitter和维基百科作为补充传统方法的新型监视方法。b谷歌Flu Trends监测谷歌用户对流感相关信息的搜索，显示出与CDC流感数据的相关性，同时比CDC报告提前1至2周提供估计[ 8， 12]。尽管最初取得了成功，但近年来该体系也并非没有问题。谷歌流感趋势高估了2012-2013年流感季节的流感活动，并在2009年H1N1流感大流行期间低估了流感活动[ 13- 16]。一项研究发现，b谷歌流感趋势的原始(2008年)和修订(2009年)算法在城市、地区和国家范围内都不可靠，特别是在流感季节和媒体报道强度不同的情况下[ 16]。由于其专有算法存在问题，谷歌Flu Trends于2015年8月停产[ 17]。

Twitter是一个传播短消息的社交网络平台，与流感有关的帖子与ILINet报告的流感活动高度相关[ 18， 19]。研究发现，Twitter数据与国家和城市层面的ILI数量高度相关[ 20.]。Signorini等人(2011)也证明推文可以在合理的误差范围内用于估计区域和国家层面的ILI活动[ 21]。此外，研究发现Twitter数据比谷歌数据表现更好。Nagar et al(2014)进行的一项研究表明，与谷歌搜索查询相比，tweet更能反映城市层面的ILI发生率[ 22]。Aramaki等人发现，基于Twitter的模型在正常新闻报道期间的表现优于基于google的模型，尽管Twitter模型在媒体过度报道期间的表现不太理想[ 23]。此外，地理粒度会影响Twitter数据的性能。Broniatowski等人(2015)发现，城市层面的Twitter数据表现优于州和国家层面的Twitter数据，尽管谷歌Flu Trends数据在每个层面都表现得更好[ 24]。

事实证明，维基百科的页面浏览量数据对于跟踪热门话题以及疾病监测和预测都很有价值。 25， 26]。McIver和Brownstein(2014)报告称，流感相关维基百科文章访问量的增加，可以在ILINet前两周对流感活动进行估计，在异常流感季节和媒体高报道期间，其表现优于谷歌Flu Trends的估计[ 27]。一项研究发现，维基百科页面浏览量数据在流感季节高峰期之前具有合适的预测价值[ 26]，而另一项研究也报告说，维基百科的页面浏览量数据既适用于使用28天分析进行预测，也适用于临近预测，或监测当前的疾病发病率[ 25]。然而，作为缺点，维基百科数据的信噪比可能是有问题的[ 25]，因为维基百科已经成为寻找健康信息的首选来源，无论个人是否生病[ 28， 29]。此外，与谷歌和Twitter数据的粒度灵活性不同，Wikipedia不具备在本地或区域级别评估流感活动的能力，因为它只提供页面浏览量计数，而在其公开可用的数据中没有附带的位置或用户信息。

b谷歌、Twitter和Wikipedia上的这些早期研究表明，尽管存在一些缺陷，挖掘这些基于网络的资源可以通过识别流感活动的指标来提供有价值的流行病情报，这些指标有时或在人群中被更传统的监测系统遗漏。以前的研究已经根据一个标准单独或双重地评估了这3个基于web的资源，但没有将它们彼此和一个标准进行比较。需要进行比较，以了解这些基于网络的来源是否准确反映了CDC ILI数据中的季节变化或变化点。了解这些基于网络的来源中哪一个表现最好，以便被视为对传统监测方法的补充，将是有益的。

因此，本研究旨在对使用谷歌、Twitter和Wikipedia进行流感监测进行比较分析，通过检查哪个基于web的来源产生的数据与CDC ILI数据最一致。具体研究问题如下:在2012-2013年、2013-2014年和2014-2015年流感季节，哪个基于网络的来源(谷歌、Twitter或维基百科)检测到的变化点与CDC ILI数据中检测到的变化点最接近?据推测，由于McIver和Brownstein的[ 27发现与谷歌流感趋势和Twitter的数据相比，维基百科数据受媒体报道的影响较小[ 16， 23]。

以下是为CDC、谷歌、Twitter和Wikipedia收集和分析的2012-2015年流感季节的统计数据摘要( 表1)。每个数据源所包含的平均每周事件数存在逐年变化。对于大多数数据来源而言，2012-2013年流感季节的平均每周感染人数最高。2013-2014年流感季节，CDC和谷歌流感趋势的平均访问量最低，而2014-2015年流感季节，Twitter和Wikipedia的平均访问量最低。请注意，2014-2015年流感季节由34个MMWR周组成，因为大多数流行病学年由52个MMWR周组成，而2014-2015年流行病学年由于之前的日历闰年而有53周。 表1进一步总结了数据信息。

提供了在每个数据源中找到的所有更改点的摘要(请参阅 图2- 4)，变化点的比较见 表2。在2012-2013年流感季节，谷歌与CDC ILINet系统共有3个变化点，分别是MMWR第51周、第4周和第5周。Twitter与CDC的变化点有2个共同的变化点，即MMWR第47周和第4周。Wikipedia只有一个更改点与CDC ILINet系统相匹配，即MMWR第5周。

在2013-2014年流感季节，谷歌共有4个变化点(MMWR周48周、50周、51周和5周)，与CDC数据中检测到的变化点相吻合。Twitter有3个变化点(MMWR第48周、第51周和第7周)与CDC ILINet系统数据中的变化点相匹配。Wikipedia与CDC ILI数据有2个共同的变化点，即MMWR第51周和第6周。

对于2014-2015年流感季节，谷歌数据中检测到4个变化点(MMWR第48、50、51和53周)，这些变化点与CDC ILINet系统中确定的变化点一致。Twitter和Wikipedia只有1个变化点与CDC ILI数据中发现的变化点一致，分别是MMWR第50周和第53周。

接下来，我们使用CDC ILI数据作为金标准，计算了每个基于web的来源的敏感性和PPV。如图所示 表3，结果在基于web的资源之间差异很大。谷歌的灵敏度高达92%，而谷歌的PPV为85%。Twitter的敏感度较低，为50%;Twitter的PPV也很低，只有43%。维基百科的最低敏感度为33%，最低PPV为40%。还提供了按特定流感季节比较敏感性和PPV的表格(见 多媒体附录1)。

谷歌共有11个真正的变化点(3个在2012-2013年流感季节，4个在2013-2014年流感季节，4个在2014-2015年流感季节)，与CDC ILINet的变化点相吻合。由于谷歌的变化点与CDC ILI数据中检测到的变化点一致，因此我们关于Wikipedia将拥有最多变化点的假设不被支持。事件检测的灵敏度和PPV对于评估监测系统的质量很重要[ 47]。谷歌具有中等阳性预测值，高度敏感，而Twitter和Wikipedia的敏感性率和ppv均较低。谷歌具有最佳对应关系的这一发现与之前发现Twitter和Wikipedia表现更好的研究不一致[ 22， 23， 27， 48]。

谷歌、Twitter和Wikipedia都有一些与CDC ILI数据一致的变化点;然而，他们没有确定疾病预防控制中心数据中确定的所有变化点，这对于了解流感季节何时发生季节性变化非常重要。由于没有基于web的来源确定CDC数据中检测到的所有变化，这可能表明基于web的数据本身可能在捕获CDC ILI数据的所有变化方面受到限制，这是相当合理的，因为并非每个经历ILI症状的个体都求助于在线搜索或共享健康信息。相反，这可能表明贝叶斯变更点分析作为一种技术对于基于web的数据的使用不够敏感。在纳入监测数据以补充传统系统之前，需要使用更标准的统计方法进一步研究和比较这3种基于网络的来源。

值得注意的是，本研究存在局限性。首先，贝叶斯变点分析假设时间序列数据呈正态分布，这可能会产生问题，因为公共卫生监测数据可能是可变的，并且可能具有非正态分布[ 43]。然而，我们无法在RStudio中的“bcp”包上测试这个假设，这是一个限制，因为“bcp”包可能会错误地识别或错过更改点，特别是如果数据中有任何异常值来扭曲贝叶斯分析。使用贝叶斯变化点分析的另一个主要限制是，它不能用作监控实时数据的技术[ 49]。贝叶斯变化点分析最适合用于在收集了所有数据之后评估历史时间序列数据的变化。本研究采用贝叶斯方法对每个流感季节发生后从CDC、谷歌、Twitter和Wikipedia收集的数据进行回顾性评估;因此，该结果不能直接应用于前瞻性应用或实时流感监测。

利用基于网络的数据进行实时流感监测的一个可能的解决办法可能是使用正态分布算法。传统上，疾控中心用于流感监测的方法是基于历史限制和累积金额的正态分布方法[ 50]。此外，Pervaiz等人(2012)证明，与正态分布模型相比，使用基于web的负二项和泊松模型可以更有效地使用基于web的数据进行实时流感监测，因为基于web的数据具有噪声性质，并且互联网用户数量及其活动水平波动较大[ 50]。

其次，对于维基百科视图的分析，只使用了“流感”这篇文章进行分析，不包括其他关于流感药物和流感菌株的文章。McIver和Brownstein描述了将多个与流感相关的维基百科文章结合起来用于监测目的的有效性[ 27]，但这些并未纳入本研究。我们假设维基百科英文词条“流感”的所有观点都来自美国用户;然而，其中一些可能来自其他英语国家的用户，这些国家的流感季节非常不同，例如澳大利亚。

第三，我们的一些数据来源可能有局限性。我们使用CDC ILI计数数据进行分析，这是不标准的。大多数先前的研究都使用加权ILI率而不是ILI计数，因为加权率说明了美国的人口变化。使用ILI计数可能存在抽样偏差，但我们证明计数的使用是合理的，因为我们希望保持数据的一致性，因为基于web的计数数据都无法解释美国的人口和地区差异，也无法标准化。此外，贝叶斯变化点分析不允许我们在与加权ILI率相同的尺度上调换基于web的计数数据，因此考虑到所使用的方法，ILI计数是最佳选择。此外，本研究中使用的谷歌流感趋势数据是一个回归模型的输出，该模型拟合CDC ILI数据，导致谷歌数据与CDC ILI数据更接近。尽管谷歌流感趋势数据与CDC的数据相匹配，但重要的是要注意，这些数据对公众和从业人员都很容易获得，这证明了它们的使用是合理的。

第四，数据重复可能是本研究中使用的每个数据源的问题。互联网用户可以使用一个网站进行多个信息的搜索和共享，而一个互联网用户可以使用多个网站进行同一信息的搜索或共享[ 51]。例如，用户可以多次查看维基百科的“流感”文章，每次查看都会被视为单独的计数[ 37]。谷歌Flu Trends和HealthTweets都不能区分或删除单个用户的多个搜索和tweet。 12， 35]。此外，在公开可用的数据中，没有办法区分单个用户何时同时搜索Wikipedia和谷歌以获取相同的信息。疾病预防控制中心ILINet系统不区分单个患者对同一参与医疗保健提供者进行多次门诊访问，或单个患者对同一疾病的多个医疗保健提供者进行门诊访问。这一数据重复问题应在今后的研究中进一步调查。

最后，互联网用户的平均年龄比美国总人口要小。 52]。尽管这种差异可能被视为使用基于网络的流感监测数据的局限性，但较年轻的年龄组(0-4岁、5-24岁和25-49岁)占报告给CDC ILINet系统的门诊病例的大部分[ 34]。

在基于web的源的内容中有更多的实质性信息，这些信息在基于web的源的计数数据中没有考虑到。最近的研究已经开始对网络资源(如聊天论坛、Facebook和Twitter)进行内容分析，以了解互联网用户的健康体验和需求。内容分析已被证明对传染性和非传染性疾病都很有价值，因为互联网用户分享和搜索各种健康经验，从精神健康到[ 53， 54]到物质使用[ 55， 56]性少数群体的健康需要[ 57]。此外，可以通过结合各种数据来源(无论是基于网络的还是传统的)来加强公共卫生监测。Santillana等人(2015)发现，当b谷歌、Twitter、医院记录和参与式监测系统的数据结合起来时，流感活动的预测比疾病预防控制中心预测前4周更准确[ 58]。应在这一领域开展更多的研究，以确定流感监测的传统和新型数据来源的最佳组合。

据我们所知，这是第一次比较谷歌、Twitter和Wikipedia作为流感监测的可能数据源是否符合共同的黄金标准(CDC ILINet系统)。在3个基于web的来源中，谷歌在检测流感相关数据流中的贝叶斯变化点方面具有最佳的灵敏度和PPV组合。这一发现与现有比较谷歌和Twitter数据或谷歌和Wikipedia数据的研究不一致，这可能归因于对不同流感季节的分析，本研究中贝叶斯方法的新颖使用，或者谷歌流感趋势数据与CDC数据相匹配。进一步的研究应评估这三个基于网络的来源所包含的实质性健康内容，将这些来源结合起来的监测价值，以及这些来源使用其他统计方法检测流感活动的能力。