2008年，由欧盟委员会资助并由意大利都灵科学交流研究所协调的一个大型研究项目促成了Influenzanet的创建，这是一个基于网络的平台网络，用于在10个欧洲国家参与监测ILI [ 42］．目标是通过志愿人员提供关于其健康状况的自我报告的活动，收集关于人口健康的实时信息，并将这些实时数据与流行病空间传播的动态模型相结合，建立一个流行病研究和数据共享的计算平台。这一多年活动的结果已被用于创建一个新的模块化框架(FluOutlook框架)，能够捕捉跨国界的疾病传播动态，估计关键的流行病学参数，并预测季节性流感的长期趋势[ 43］．

该框架由三个主要部分组成:(1)输入，(2)模拟和预测，(3)输出( 图2)．

输入部分根据流感网平台上志愿者或推特等其他数据代理收集的自我报告信息，估计任何人口普查地区某一周的初始感染人数。流感网数据收集已在以前的几篇论文中描述[ 44］．每周报告ILI病例的用户数量用于计算每周活跃用户中ILI的发病率。活跃用户是指在流感季节完成至少一份流感网症状问卷的人。由于用户在邮政编码级别报告居住地，因此ILI每周发生率可以在邮政编码分辨率级别计算。

模拟和预测组件是一个名为全球流行病和流动性模型(GLEAM)的计算建模和模拟引擎[ 45， 46］．GLEAM动态模型基于围绕交通枢纽定义的地理普查区域，并由远程和短程移动网络连接。由此得到的元种群网络模型可以用来模拟传染病以完全随机的方式传播。在给定适当的初始条件和疾病模型的情况下，这些模拟为流行参数(如新产生的病例)生成可能的流行演化集合。在应用于季节性流感时，GLEAM仅限于单个国家的水平，只考虑了相关国家的人口和流动性。从流感网平台提取的ILI病例数被映射到相应的GLEAM地理普查区域，并用作初始化模拟的种子。使用Influenzanet平台收集的数据作为初始条件的独特优势在于分辨率高，在时间(每日)和空间(邮政编码级)上可获得数据。这种初始条件的地理和时间分辨率无法通过任何其他信号实现。此外，这些不是人口中ILI活动的代理数据，但确实代表了无法通过任何其他信息来源获得的初始条件的高特异性基本事实。鉴于这些高质量和高度可靠的初始条件，GLEAM模拟对一个参数空间进行了拉丁超立方采样，该参数空间涵盖了传播性、感染期、免疫接种率的可能范围，以及调节产生的受感染个体数量的调整参数。 In the prediction component of the framework, the large-scale simulations generate a statistical ensemble of the epidemic profiles for each sampled point in the parameter space. From each statistical ensemble, the prediction component measures its likelihood function with respect to up-to-date ILI surveillance data and selects a set of models by considering a relative likelihood region [ 47］．

所选模型集代表产出部分，并提供对流行高峰时间和强度的长期(即提前4周)和短期预测。结果以交互式图表形式发布，可在公共网站fluoutlook.org上查阅。[ 48］．

为了量化模拟的预测性能，可以使用每个预测时间序列与哨点医生监测时间序列之间的Pearson相关性。此外，平均绝对百分比误差可用于评估震级估计和峰值周精度，峰值周精度定义为所选模拟集合的百分比，提供1周内峰值时间的预测。

FNY是由波士顿儿童医院HealthMap、美国公共卫生协会和Skoll全球威胁基金于2011年10月推出的参与式疾病监测系统[ 17］．FNY维护着一个网站和移动应用程序，允许美国和加拿大的志愿者使用简短的每周调查报告他们的健康信息。每周一，FNY向用户发送每周电子邮件，要求他们报告他们是否在前一周经历过以下症状:发烧、咳嗽、喉咙痛、呼吸短促、发冷、疲劳、恶心、腹泻、头痛或身体疼痛。用户还被要求提供任何报告症状的症状出现日期。出现发烧、咳嗽和/或喉咙痛的用户被FNY认为正在经历ILI。FNY对ILI的定义与美国疾病控制与预防中心门诊流感样疾病监测网络(ILINet)的定义略有不同，后者将ILI定义为发烧加上咳嗽和/或喉咙痛，除流感外没有已知原因。

FNY的设想是为了捕捉可能不一定寻求医疗的人群中的流感活动，而CDC的ILINet旨在监测有ILI症状寻求医疗的人群的百分比。最近的估计证实，在报告出现ILI症状的FNY参与者中，只有大约35%的人寻求医疗救助。尽管存在这种设计(和观察到的)差异，并且由于这两个不同的组(寻求医疗照顾的组与不这样做的组)相互作用，CDC ILINet中的ILI的巨大变化也通常在FNY信号中观察到，如图所示 图32013-2014年和2014-2015年流感季节的数据，正如Smolinski等人之前所显示的那样[ 19］．生产 图3时，不现实的增加的FNY ILI率峰值(计算方法为经历ILI的每周用户数量除以同一周内收到的报告总数)首先被移除。这些不切实际的峰值(定义为FNY ILI率的周变化比过去4周的平均变化大10个标准差)通常与媒体对FNY的关注有关，这导致流感患者对该系统的兴趣暂时激增，如Aslam等人所述[ 17］．然后，在CDC报告发布前1周，将CDC报告的历史流感活动(通过滞后-2自回归模型)与平滑的每周FNY率结合起来，得出流感估计。这些流感估计以蓝色显示，并标记为AR(2)+FNY on 图3．

我们之所以使用疾控中心报告的ILI率作为传统流感监测的参考，是因为这些ILI率已被记录多年，公共卫生官员已将其用作人群中流感水平的代理。这与美国的多项流感活动预测研究一致[ 7- 9， 49- 50］．为了向公共卫生官员提供更及时但仍然熟悉的信息，我们使用FNY ILI平滑率作为HealthMap流感趋势流感监测和预测系统的多个数据输入之一[ 51］．

HealthMap流感趋势系统依赖于机器学习建模方法，使用不同的数据源预测流感活动[ 49]包括谷歌搜索[ 8- 9]，推特[ 15]、近实时电子健康纪录[ 50]，以及来自FNY等参与式监测系统的数据[ 19］．HealthMap流感趋势系统在美国疾病控制与预防中心ILINet流感报告发布前2周，提供美国全国和地区ILI发病率的准确实时和预测估计。

输入HealthMap流感趋势系统的多个数据源分别使用机器学习算法进行处理，以获得ILI活动的预测器。然后，这些ILI率的个人预测被输入集成机器学习算法，该算法将个人预测结合起来，以产生可靠而准确的ILI估计，由Santillana等人描述[ 49］．这种集成机器学习方法产生的估计比使用每个数据源独立做出的所有预测都要好。

基于WISDM的结果以年日感染病例的时间序列(也称为流行曲线)表示 图4． 图4一个和 4b对应低传输(0.00003每分钟接触时间和R₀=1.4)和高传输(0.00006每分钟接触时间和R₀=2.7)。其中红色的流行曲线代表整个德里合成人群(V)。黑色和蓝色的流行曲线分别显示了mturk匹配的德里合成人群(S’)和整个mturk匹配的德里合成人群(S)的结果。在高传播率下，发病率和峰值感染率较高，但到达峰值时间较低。这是意料之中的，因为更高的传播率会迅速传播疾病，并在人口中传播更多的人。

如果监测仅限于MTurk样本(S’)，则偏差水平将等于红色曲线和黑色曲线之间的差值。这种差异代表了非响应偏差(红色曲线和蓝色曲线之间的差异)和样本量偏差(蓝色曲线和黑色曲线之间的差异)的组合。

为了衡量显着的总偏差，非响应偏差，和样本量偏差的模拟所示 图4，我们使用2个样本测试了发作率、峰值感染率和峰值时间的差异 t测试。均值差，95%置信区间，和 P这些值总结在 表1而且 2分别用于低传播率和高传播率。

如 表1S’的发病率比V低10%左右，感染率峰值比V低1.36%，流行曲线达到峰值时间晚1 d，传播率低(0.00003)。所有3个指标的总偏差均具有统计学意义。此外，对于所有3个指标，非响应偏差大于样本偏差，并主导总偏差。这与MTurk调查应答者往往是年轻、受过教育的男性这一事实是一致的，在这些男性中，疾病的发病率通常低于大多数其他人口。

较高传播率(0.00006)的结果相似( 表2)．然而，请注意，红色和黑色曲线之间的差异(在 图4)随着传输速率的提高而缩小。

在本节中，我们将展示2015-2016年流感季节的模拟和预测结果。框架的输入部分已初始化来自若干选定国家(比利时、丹麦、意大利、荷兰、西班牙和联合王国)的ILI病例。这些国家是流感网的一部分。在模拟部分中，将每个选定国家的哨点医生每周监测数据(也称为传统监测)作为ground truth来选择具有最大似然的模型集。

图5说明1周、2周、3周和4周预测的结果。我们包含一周的结果，也称为现在的预测，出于以下原因。目前的预测(即推断传统流感监测将在下一周报告的发病率值)通常用于评估基于本文所述模型的预测与仅应用于传统监测数据的基于线性回归模型的预测的性能。在Perrotta等人最近的研究中[ 52]，它展示了如何通过整合传统监测数据与名为Influweb的参与式监测平台的数据来改进意大利季节性流感活动的实时预测，并且现在的预测已被用作比较两种方法的基准测试。

图5表明对于所研究的所有国家，大多数周的经验观察值(即图中以黑点表示的传统监测参考数据的基本事实)位于95%置信区间内。这为预测的准确性提供了定性的指示。

在 图6，我们展示了每个预测时间序列与哨兵医生监测时间序列之间的Pearson相关性的结果，以及平均绝对百分比误差(MAPE)的结果。正如预期的那样，集合预报的统计准确性随着季节的进展而增加。在1周领先预测的情况下，意大利和比利时的相关性接近于1。英国两周预测的相关性约为0.8，荷兰约为0.7，英国和意大利4周领先预测的相关性高于0.8。峰值大小是我们在模型中拟合的自由参数的1。随着季节的推移，相关性增加，MAPE(即模型估计的峰值幅度的百分比误差)在相关性一直很高的国家(如英国)下降或保持相当稳定。对于其他国家来说，表现不是很好，峰值大小也没有很好地估计。比利时和西班牙是表现最差的两个国家。这可能是由于西班牙流感网的ILI发病率曲线非常嘈杂，主要是由于低参与率，这影响了振幅和相关性方面的预测质量。在比利时，由于该国的流感季节异常温和，来自传统监测的ILI发病率数据非常嘈杂。 More information about the Influenzanet ILI incidence curves in the various countries can be found at the Influenzanet page (www.influenzanet.eu/ en/flu-activity/). The peak week accuracy also increases as the season progresses and, notably, accuracy is already above 60% with up to 4 weeks lead time in the case of Italy, the Netherlands, and Spain.

总体而言，即使是2015-2016年这样一个特殊的流感季节，其高峰出现的时间异常晚，结果表明，我们的框架能够提供准确的短期(1周、2周)预测和合理准确的长期(3周、4周)预测季节性流感强度和时间趋势。

通过将上述流感估计与仅基于cdc报告的历史流感活动的模型(滞后-2自回归模型)(标记为AR(2))产生的估计进行比较，我们定量地确认，纳入我们的参与式监测系统的数据可以改善实时流感预测 图3．观测到的流感活动与使用仅基于2013-2015年ILI历史信息的模型获得的估计值之间的相关性为0.95，而与纳入FNY信息的模型之间的相关性为0.96。虽然这代表了相关性值的轻微改善，但Yang等人引入了一个在统计学上更可靠的检验[ 9]表明，与基线自回归模型相比，FNY信息的合并导致平均误差减少10% (90% CI 0.04至0.24)。底部面板 图3直观地显示每个模型的误差。

在2013-2014年和2014-2015年流感季节CDC每周报告发布前一周，HealthMap流感趋势的国家级实时预测以红色显示 图3．为了进行比较，2013-2015年期间，健康地图流感趋势估计值与观测到的CDC ILI率的相关性为0.99，与仅使用CDC历史信息的模型估计值相比，添加多个数据源可导致平均误差减少约83% (90% CI为0.69至0.85)(AR(2))。在 图7，显示了“健康地图”流感估计中不同个体预测因子(及其趋势)的历史贡献。如 图7， FNY的输入确实有助于基于集合的流感预测估计。