Research press release

機械学習:人間の動きをモデル化してインフルエンザの活動性を予測する

Nature Communications

Machine learning: Modelling human movements to predict influenza activity

匿名化された携帯電話データの機械学習に基づく分析によって、インフルエンザの感染拡大をモデル化し、予測することができると報告する論文が、今週、Nature Communications に掲載される。作成された移動マップを用いて、米国ニューヨーク市とオーストラリアでのインフルエンザの感染拡大を正確に予測できることが示された。

ウイルス性疾患の集団内での感染拡大は、感染者と非感染者の相互作用に依存している。しかし、国内や都市内でのウイルス性疾患の感染拡大がどのように起こるのかを予測するモデルを構築する際には、通勤者調査やインターネット検索データなど、情報量が希薄で不正確なデータが用いられているのが現状だ。

今回、Adam Sadilekたちは、情報量の豊富なデータセットを得るため、位置履歴の設定を有効にしたアンドロイド携帯からの匿名化された追跡データを収集し、機械学習を使ってデータを個々の「移動(trip)」に分解し、人間の移動マップを構築した。次にSadilekたちは、この移動マップを用いて、2016~2017年のニューヨーク市内とその周辺部におけるインフルエンザの活動性を予測し、その際、通院と臨床検査から得られた既知のデータで較正した感染症伝播モデルを使用した。その結果、このモデルは、一般に使用されている標準的な予測モデルよりも性能がよく、入手コストの高い通勤者調査データを使用した場合に匹敵することが明らかになった。また、Sadilekたちは、2016年のインフルエンザ流行期のオーストラリア全土での感染拡大を予測した。オーストラリアは人口密度が低く、インフルエンザの動態も異なっていたが、このモデルによってインフルエンザ流行の消長が正確に予測された。

既存の高分解能移動データは、プロバイダー固有の通話記録に基づいており、通常は二国間の移動や国際的な移動は捕捉されない。位置データは、このような制限がないため、疾患の感染拡大を長距離にわたって監視できる可能性が高い。しかし、スマートフォンを使用する可能性が低い子供と高齢者の移動データが除外されているため、この位置データの完全性には限界がある。こうした限界があるにもかかわらず、Sadilekたちは、携帯電話から収集したデータを使用して、流行拡大を予測できる可能性のあることを明らかにした。今回の結果を重症急性呼吸器症候群コロナウイルス2(SARS-CoV-2)などの他のウイルス感染症にも適用できるかを見極めるためには、さらなる研究が必要だ。

The spread of influenza can be modelled and forecast using a machine-learning-based analysis of anonymized mobile phone data. The mobility map, presented in Nature Communications this week, is shown to accurately forecast the spread of influenza in New York City and Australia.

The spread of viral diseases through a population is dependent on interactions between infected people and uninfected people. Building models to predict how diseases will spread across a city or country currently makes use of data that are sparse and imprecise, such as commuter surveys or internet search data.

To gain a richer dataset Adam Sadilek and colleagues collected anonymized tracking data from Android phones that have the Location History setting enabled, and used machine learning to break the data down into individual ‘trips’ to build a map of human mobility. They use this mobility map to forecast influenza activity in and around New York city in 2016–2017, using a model for infectious disease transmission calibrated against known data from hospital visits and laboratory tests. They find that their model performs better than standard forecasting models in common use, and is comparable to using commuter survey data, which are more expensive to obtain. They also forecast influenza spread across Australia for the 2016 influenza season. Despite a sparser population and different influenza dynamics, the model still accurately predicts the ebb and flow of the disease.

Existing high-resolution mobility data are based on phone call records, which are provider specific and do not typically capture cross-border or international movement. Location data is not limited in this way and so has greater potential to monitor long-distance disease spread. However, there are limitations in the completeness of these data, as they exclude mobility data for children and the elderly who are less likely to use smart phones. Despite these limitations, the authors have shown that the use of data gathered from mobile phones has the potential to forecast the spread of epidemics. Whether this can also be applied to other viral infections such as SARS-CoV-2 requires further investigation.

doi: 10.1038/s41467-021-21018-5

「Nature 関連誌注目のハイライト」は、ネイチャー広報部門が報道関係者向けに作成したリリースを翻訳したものです。より正確かつ詳細な情報が必要な場合には、必ず原著論文をご覧ください。

メールマガジンリストの「Nature 関連誌今週のハイライト」にチェックをいれていただきますと、毎週最新のNature 関連誌のハイライトを皆様にお届けいたします。

「注目のハイライト」記事一覧へ戻る

プライバシーマーク制度