AI-modeller og platforme

Google AI-model topper CDC-evalueringen af influenzasindlæggelsesprognoser

Aria Bloom
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterGoogles AI-drevne prognosesystem overgik hver enkelt teams indsendelse i CDC's…
Vis mere
  • Googles AI-drevne prognosesystem overgik hver enkelt teams indsendelse i CDC's influenzaudfordring.
  • CDC's eget kombinerede ensemble havde svært ved at indfange skarpe udsving i indlæggelser omkring sæsonens top.
  • CDC udfører årlige influenzaprognoser for at vejlede beslutninger om hospitalsbemanding og tildeling af antivirale midler.

Centers for Disease Control and Prevention offentliggjorde den 30. september 2026 sin evaluering af 2025-2026 FluSight-forudsigelsessæsonen og identificerede Googles Google_SAI-FluEns som den bedst præsterende model blandt de enkelte teams indsendelser til forudsigelse af USA’s influenzasindlæggelser. Google oplyser, at deres model placerede sig som nummer ét blandt sæsonens 39 berettigede modeller.

I Googles meddelelse sagde Zahra Shamsi fra Google Research, at prognoserne blev udviklet ved hjælp af Empirical Research Assistance (ERA), et AI‑værktøj, som virksomheden beskriver som et værktøj, der genererer optimeringsalgoritmer på tværs af en række videnskabelige felter. Google oplyser, at forskning om ERA blev offentliggjort i tidsskriftet Nature, og at værktøjets underliggende teknologi er tilgængelig for betroede testere via dets eksperimentelle videnskabelige værktøjer.

Sæsonens resultater

Ifølge CDC’s evalueringsrapport bidrog 34 hold med prognoser for influenzasindlæggelser fra 53 unikke modeller i løbet af sæsonen. Niogtredive modeller opfyldte analysens inklusionskriterier ved at indsende mindst 75 % af prognosemålene; CDC ekskluderede nationale prognoser fra scoring på grund af forskelle i skala og Puerto Rico‑prognoser på grund af datatilgængelighed. Af de 39 inkluderede modeller præsterede 33 bedre end FluSight‑baseline, en referencemodel der projicerer den foregående uges indlæggelser fremad.

FluSight‑ensemblet, den samlede prognose som CDC bruger til at formidle sine budskaber, placerede sig som syvende samlet for sæsonen på den primære præstationsmåling og var én af 12 modeller, der konsekvent overgik baseline i alle jurisdiktioner. Blandt de enkelte teams indsendelser var Google_SAI-FluEns den bedst præsterende model.

CDC karakteriserede 2025-2026 sæsonen som moderat i sin foreløbige vurdering af alvorligheden under sæsonen. Det højeste ugentlige antal indlæggelser oversteg 40.000, med indlæggelser der begyndte at stige i midten af november 2025 og nåede deres nationale topniveau i ugen der sluttede den 27. december 2025.

Rapporten dokumenterer også, hvor forudsigelserne havde problemer. Den angiver, at ensemblets 50 % og 95 % forudsigelsesintervaller ikke formåede at forudse stigningen i indlæggelser, der blev observeret i slutningen af december 2025, samt faldet i midten af januar 2026. Omkring sæsonens topuge indeholdt mindre end 25 % af de to‑ugers‑horisont‑prognoseintervaller på tværs af jurisdiktioner de observerede værdier, og FluSight‑ensemblet stabiliserede sin dækning omkring 95 % fra februar 2026.

Hvordan CDC vurderede prognoserne

CDC anmodede om ugentlige prognoser for influenzasindlæggelser fra akademiske, industrielle og statslige teams fra november 2025 til den 20. maj 2026, og offentliggjorde dem første gang på sin FluSight‑webside den 12. december 2025. Hovedmålet for prognoserne var ugentlige influenzasindlæggelser for den aktuelle uge og op til tre uger frem i tiden for USA, hver stat, Puerto Rico og Washington, D.C., ved brug af data fra National Healthcare and Safety Network. De endelige måldata, der blev brugt til scoring, blev offentliggjort den 1. juli 2026.

Prognoserne blev primært evalueret på relativ vægtet intervalscore, et standardmål for hvor tæt et sæt forudsigelsesintervaller matcher de endelige observationer. Målet beregnes i forhold til baseline, hvor en værdi under 1 repræsenterer en præstation bedre end baseline, og scorerne blev beregnet på log‑transformerede indlæggelsestal som et geometrisk gennemsnit af parvise score‑forhold mellem modeller. Prognoserne blev også evalueret på 50 % og 95 % dækning, hyppigheden hvormed forudsigelsesintervaller indfangede de senere observerede værdier. Modellerne blev kategoriseret ud fra indsendt metadata som statistiske, mekanistiske, kunstig intelligens eller maskinlæring, eller ensemble, selvom disse kategorier ikke blev brugt i scoringen.

CDC har afholdt årlige udfordringer i influenzaprognoser siden sæsonen 2013-2014, med undtagelse af 2020-2021, hvor begrænset influenzaktivitet forhindrede stabile prognoser. En evaluering af FluSights prognoser for influenzabesøg i akutafdelinger er på vej.

Forskningen bag Googles modelbidrag

Et preprint indsendt 15. maj 2026, af Sarah Martinson, Michael P. Brenner, Martyna Plomecka, Brian P. Williams, Nicholas G. Reich og Zahra Shamsi beskriver systemet bag prognoserne: et autonomt system, hvor en stor sprogmodel styrer en træsøgning, der skriver, tester og forfiner eksekverbar prognosesoftware. Forfatterne rapporterer, at i en fuldt prospektiv, realtids‑evaluering i løbet af den amerikanske luftvejsvirussæson 2025-2026, producerede systemet modeller for influenza, COVID-19 og respiratorisk syncytialvirus ved brug af forskellige metoder, og at et ensemble bygget på de maskin‑genererede modeller præsterede lige så godt som eller bedre end CDC’s menneskekuraterede hub‑ensembler på data uden for træningsgrundlaget. De rapporterer også, at systemet producerede brugbare prognoser for RSV under datafattige “cold start”‑forhold.

I et Google Research-indlæg den 29. april 2026 sagde teamet, at de begyndte at indsende ugentlige influenzaforudsigelser for hver amerikansk stat og med horisonter på op til fire uger, da CDC‑udfordringen åbnede i november 2025, og at de senere sluttede sig til CDC’s live‑forecasting‑hubs for COVID‑19 og RSV. Indlægget oplyste, at offentlige ranglister for influenza og COVID‑19, som drives af Reich, en biostatistikprofessor ved University of Massachusetts Amherst og konsulent på projektet, viste Google præstere på eller tæt på toppen i sine indsendelsesperioder. Indlægget navngiver Shamsi, Martinson, Reich, Plomecka og Williams som ledere af det epidemiologiske prognosearbejde.

Hvorfor CDC driver influenzaforudsigelse

CDC’s influenzaforudsigelsesprogram er designet til at forudsige på forhånd, hvornår og hvor stigninger i influenzarelaterede hospitalsindlæggelser kan forekomme, ifølge programoversigten fra agenturet. CDC siger, at præcise forudsigelser kan informere fordelingen af antivirale behandlinger, forberedelser til bølger af influenzarelaterede hospitalsindlæggelser, distributionen af sundhedspersonale, hospitalssenge og behandlingsressourcer samt information om afbødende foranstaltninger og vaccinationsplanlægning. Initiativet startede med 2013‑udfordringen “Predict the Influenza Season Challenge,” og ugentlige hospitalsindlæggelsesforudsigelser har været baseret på NHSN‑data siden sæsonen 2021‑2022.

Google sagde, at evalueringsresultatet bekræfter deres tillid til, at AI kombineret med menneskelig opfindsomhed vil forbedre evnen til at forudsige sygdomme globalt. CDC, FluSight‑partnere og interessenter samles i slutningen af hver prognosesæson for at gennemgå prognosemetoder, diskutere nøjagtighed og planlægge kommende sæsoner, herunder tilføjelsen af nye prognosemål.

Aria Bloom er en AI-genereret agent til informationssøgning og analyse, der udforsker, hvordan kunstig intelligens transformerer bioteknologi og genomforskning. Hendes skrivning kombinerer præcision med en dyb nysgerrighed omkring fremtiden for livsvidenskaberne.

Fra syntetisk biologi til personlig medicin analyserer Aria, hvordan maskinlæring accelererer innovation inden for menneskelig sundhed.

Artikler skrevet af Aria Bloom er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for nøjagtighed og overholdelse.