信息流行病学介绍了使用非传统数据源来检测疾病趋势和疫情[ 1］．这些数据源包括搜索查询、社交媒体、网络文章和博客文章，这些数据现在正被用于实时疾病监测[ 1- 4］．就作为来源的搜索查询而言，使用这些查询预测流行病的兴趣最近一直在增长[ 5- 8］．最值得注意的是谷歌流感趋势[ 9]这项服务于2008年推出，旨在追踪与流感症状相关的在线搜索查询量的变化。[ 5］．谷歌流感趋势提供每日实时报告的搜索查询趋势数据，可以比美国疾病控制和预防中心(CDC)提前至少2周预测流感等疾病的实际病例。

在缺乏其他实时疾病监测机制的情况下，谷歌流感趋势等服务对于早期发现流行病至关重要。关于使用谷歌流感趋势进行流行病检测的现有研究集中于通过收集与疾病症状查询量相关的数据来满足这一需求。这项工作表明，谷歌搜索查询趋势与CDC报告的实际疾病病例密切相关。虽然这些结果为可能使用谷歌流感趋势数据作为流行病早期预警系统的基础提供了强有力的支持，但现有的研究需要沿着两个基本方向推进，以实现这一机会。首先，有必要严格探索和进化算法，以便从谷歌流感趋势数据中进行更高级别的推断，从而在流行病的早期阶段生成警报。特别是，现有方法收集原始搜索量数据的能力需要计算智能的补充，以将这些数据转化为可操作的信息。其次，还需要更详细地了解人口规模和互联网普及率的变化如何影响基于谷歌流感趋势数据的系统提供准确和可操作信息的能力。

在这项研究中，我们旨在提供与这些机会相关的新见解。我们以谷歌流感趋势数据为基础，比较了广泛使用的早期流行病检测算法的准确性和实用性。这些算法根据它们期望的数据分布类型分为三类。所讨论的分类是正态分布算法、泊松分布算法和负二项分布算法。对于正态分布算法，我们使用累积和(CUSUM) [ 10- 12]，历史极限法(HLM) [ 10， 13]，以及历史上的CUSUM (HCusum) [ 14， 15］．对于泊松分布算法，我们使用泊松爆发检测(POD) [ 16]， SaTScan [ 17]， Poisson CUSUM (PSC) [ 18， 19］．对于负二项分布算法，我们使用负二项CUSUM (NBC) [ 20.， 21和历史上的NBC。其中一些算法已经在罗斯河疾病数据上进行了比较[ 22］．我们对一些算法(CUSUM, HLM, POD, SaTScan和NBC)和参数的选择也是基于这项工作[ 22］．但是，我们的工作对谷歌流感趋势数据进行了比较。我们定量比较了这些算法的准确性、特异性和敏感性，以及在基线训练期、季节变化、人口规模和互联网普及率中利用信息对检测流行病适用性的影响。

图10， 图11, 图12将我们研究中的所有算法在2003年至2011年的9年时间尺度上进行比较。这些数字的详细资料载于 多媒体附件1， 多媒体附件2, 多媒体，根据我们的四个比较指标来比较算法:RTP, RFP, OT和EA在我们的三个目标区域[ 12， 13， 22］．

在每个多媒体附录中都有一个排序的列(算法的总体位置)。在本专栏中，算法根据四个性能指标的中位数进行排序。我们选择中位数是为了满足性能指标中的极端值。

虽然我们已经将算法分为三类，即泊松、负二项式和正态分布算法，但在我们的分析中，另一个子类别称为历史算法。这是负二项和正态分布类别的子集，因为它在这两个类别中都有算法。来自负二项和HLM的HNBC和来自正态分布的HCusum在四个性能指标上显示了相似的结果模式。因此，在接下来的讨论中，我们将添加历史算法的分类，并独立分析其结果。

在 表2对于第一个性能指标RTP，所有类别的平均值都很高(正态、NBC和泊松分布算法分别为96.4%、99.0%和98.8%)，唯一的例外是历史算法(64%)。此外，在RTP百分比较高的算法中，各值之间没有显著差异。

在第二个性能度量RFP中，数值则相反，历史算法显示出非常优的值(平均3.3%，越低越好)，而正态、NBC和泊松分布算法分别显示11.4%、28.3%和17.5%的百分比。显然，历史算法和正态分布算法在这个指标中处于领先地位。

在第三个度量中，OT，负二项分布算法领先，OT为71.3%，其次是泊松分布(60.3%)，历史算法(30.8%)和正态分布算法(16.4%)。在这一指标上，NBC和泊松分布领先有重大差异，领先于历史和正态分布算法。

在第四个也是最后一个指标中，EA，负二项式，平均以75.8%的EA值领先，其次是泊松分布(55.1%)，正态分布(36.8%)和历史算法(22.3%)。

对于某些性能指标，某些类别的表现并不一致，并且这些类别的值在很大范围内变化。在正态分布算法中，EA的取值范围为0% ~ 75%。在泊松分布算法中，EA的变化范围为13% ~ 75%。因此，在这些情况下，特定度量的平均值不能被认为是具有代表性的，我们需要检查算法(或算法的变体)的适用性。

当我们观察正态分布算法中的EA值时，ear的C3变异仅在一个区域显示出较高的EA值。否则，次优值几乎在最佳范围内。而且C3的OT最多为34，这个值很低，不适合这个算法。

对于泊松分布中的EA值，SaTScan算法拉低了泊松分布算法在EA中的平均值。因此，如果我们考虑没有SaTScan的泊松分布算法的平均EA值，实际上从55.1上升到66.7。

总体而言，负二项式和泊松分布算法比正态分布算法表现得更好。这主要是因为这些算法所期望的数据分布。季节性流感样疾病资料的VMR均大于1，多数时间( 图13)．因此，数据服从负二项分布[ 28］．此外，泊松分布近似于负二项分布[ 29， 30.］．因此，基于泊松和基于负二项式的算法的总体百分比都很高。

历史算法表现不佳，因为它们考虑了过去几年同期的数据来宣布疫情爆发。他们没有考虑当年的数据分布。这使得它们在假阳性方面很强大，但在其他指标上的表现却存在显著差异。

此外，为了了解人口变化和互联网渗透率变化对不同地区的影响，我们从负二项分布和泊松分布算法中选择了前两种算法，并将其应用于所有地区(而不仅仅是三个)。 表3， 表4， 表5, 表6给出应用算法的结果。

分析结果表明，在互联网普及率高的地区，RFP和OT都很高。

在这项研究中，我们通过评估各种算法来增强谷歌流感趋势的功能，将该服务产生的原始搜索查询量转化为可操作的警报。我们特别关注利用谷歌流感趋势的能力，为传统的疾病监测网络提供近实时的替代方案，并探索使用这些数据建立早期流行病检测系统的实用性。本文首次对谷歌流感趋势上流行的早期流行检测算法进行了详细的比较分析。我们探讨了这些方法的相对优点，并考虑了互联网流行程度和人口规模的变化对这些方法预测流行病能力的影响。在这些评估中，我们利用CDC收集的数据，并在一致的实验框架内评估每种算法从互联网搜索查询量中预测CDC病例频率变化的能力。

我们的分析表明，在谷歌流感趋势数据中添加一层计算智能，为可靠的早期流行病检测系统提供了机会，该系统可以比CDC使用的现有系统提前高精度地预测疾病爆发。然而，我们注意到，实现这一机会需要超越传统上由CDC采用的基于CUSUM和hlm的正态分布方法。特别是，虽然我们没有找到一种适用于谷歌流感趋势数据的最佳方法，但我们的研究结果强烈支持基于负二项式和泊松的算法在处理来自不同互联网普及率地区的潜在噪声搜索查询数据时更有用。对于这样的数据，我们发现正态分布算法的表现不如负二项和泊松分布算法。

此外，我们的分析表明，一种疾病的患者数据在全年中遵循不同的分布。因此，当数据的VMR等于1时，理想情况下遵循泊松分布，可以使用基于泊松的算法进行处理。当方差的增加使VMR超过1时，数据变得过度分散。基于泊松的算法可以在一定限度内处理这种过度分散[ 29］．当VMR非常高时，需要一种算法将方差视为参数并相应地发出警报。由于基于负二项分布的算法考虑了方差[ 29]，这样的算法在类似的场景下表现更好。例如，NBC对于计数数据过于分散的报警是准确的[ 29］．为了得到更好的结果，基于上述讨论，我们提出了一种方法，即随着VMR的上升和下降而改变算法的分布期望。应该更深入地探索这一领域，以产生根据数据分布类型进行适应的算法。

我们的研究是第一次尝试使用谷歌流感趋势数据将流行病预测与互联网普及率和被评估的人口规模联系起来。我们认为，了解这些因素如何影响预测流行病的算法，是将基于搜索查询的系统扩展到广泛的地理区域和社区的一个不可或缺的问题。在我们的调查中，我们观察到互联网普及率和人口规模都对算法性能有一定的影响。SaTScan在互联网普及率高、人口规模小的地区表现较好，而POD和NBC在互联网普及率低、人口规模大的地区表现较好。CUSUM在人口多的地区表现最好。虽然搜索查询数据和测量(即CDC)病例记录的可用性限制了我们对美国的分析，但我们相信，其中许多见解可能有助于为其他地区(包括发展中国家的社区)开发早期流行病预测系统。

总之，我们提出了一项算法的早期研究，该算法将来自谷歌Flu Trends等服务的数据转换为一个全自动系统，用于在流行病发生的可能性相当高时生成警报。我们的研究增强了在早期阶段发现疾病暴发的能力，在这个阶段，许多给全球造成巨大负担的疾病可以以更好的结果和更具成本效益的方式得到治疗。此外，由于能够及早对即将发生的情况作出反应，可以更主动地限制任何潜在疫情的规模。总之，我们的研究结果提供了一种方法，可以将通过互联网收集的原始数据转换为更精细的信息，从而指导应对疾病传播的有效政策。

基于我们的工作，我们开发了FluBreaks (dritte.org/flubreaks)，这是一个使用谷歌流感趋势的流感流行早期预警系统。