从肝炎、流感到大数据预测疾病

7月28日是世界肝炎日。关于这一点，相信很多人或许已经从媒体、社交网站和朋友圈得知，比如百度今天就通过各种社交渠道发布了一组主题为“小心肝儿”的图片，包含了各种关于肝脏保护和使用的常识和窍门，各种有关肝炎的现状等等。

这些知识包括：世界每三个慢性肝炎患者里就有一个在中国；再比如，中国是肝炎严重流行区之一，乙肝病毒感染者的人数有1.2亿；还有，中国每年有近40万人死于肝脏疾病；以及，每饮酒一次相当于得一次轻度肝炎，等等。

但是这还远远不够。

首先，你想跨越国界，来一场说走就走的旅行？根据去年CEVHAP（亚太扑灭病毒性肝炎联盟）的数据，亚太区每30秒就有一人死于病毒性肝炎，死亡率是艾滋病的3倍，而从1990年到现在，亚太区死于病毒性肝炎的人数已经从每年70万人增长到100万人。

其次，你不进行国际旅行，但你像这个国家里一半人那样，住在城市里。贾雷德•戴蒙德在《枪炮、病菌与钢铁》中说的，很多群众性传染疾病只有在积聚起足够多的人口才可能发生，很多我们熟知的传染病出现的时间都出奇地晚，它们都源自大规模的城镇化。你总知道中国的城镇化将是最近数十年这个星球最大的奇观吧？

对于病毒性肝炎，乃至其他一系列的传染病来说，那些小贴士有用，但是不足够有用。非常年代，你需要在过去的经验中非常陌生、但未来会对你非常有用的工具：大数据。

为何要在肝炎日谈大数据？

上面已经说过，世卫组织从2011年起设立世界肝炎日，绝非只因为这天是空闲的。人们并不重视肝炎，一方面是由于肝炎并不像其他一些病毒那样致命和传播快速、普遍，另一方面则是由于肝炎具备一些特征，例如只有部分疫苗，以及非季节性和非飞沫传播等，使其并不那么容易预防。

但是你应该比之前更重视它，因为第一它是很严重的传染疾病，其二是因为我们现在有了更好的工具：大数据。相信我，红极一时的《大数据时代——生活、工作与思维的大变革》一书，就是源于谷歌使用大数据对2009年甲型H1N1流感的成功预测。作者在引言中说，“这是当今社会所独有的一种新型能力，以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见”。

具体到肝炎，尽管从百年前发现肝炎病毒和部分疫苗以来，人类在医学上的进展屈指可数，但除了打疫苗和切断传播途径、远离易感人群，其实还有另外一种积极的预防方法——那就是上述“深刻的洞见”，养成使用大数据分析工具的习惯，经常性地了解所在地或目的地的流行病情况，尽可能地远离高危的传染源发地。

目前可供个人使用的大数据工具主要有两类，一类是来自医学监测机构的大数据，类似中国的疾控中心，美国的Carolinas Health Care，日本京都大学荒牧研究所等，以来自就诊患者统计为主，辅以大数据分析手段，以显示某地区目前流行病的发病情况为主，预测疾病流行走向为辅；另一类则来自搜索引擎和数据分析机构，包括google trends的疾病预测，百度预测6月上线的疾病预测，以及基于社交搜索的sickwether、patientslikeme和融合性的Healthmap等，以预测疾病流行走向为主，展示区域发病情况为辅。

两种数据工具的手段大同小异，区别只在于前者提供的数据多是针对大区域的、服务机构的数据需要，后者则多针对小区域甚至某个城市商圈，为个人消费者服务。考虑到中国人的具体需求，这里我们主要介绍针对国外旅行的google预测，和针对国内的百度预测。

Google预测：曾经很准，现在不好说

谷歌流感预测（www.google.org/flutrends）早在2008年即已推出，原理是采用流感趋势系统监测全美的网络搜索，寻找与流感相关的词语，比如“咳嗽”和“发烧”等，并利用这些搜索结果来提前9个星期预测可能与流感相关的就医量。

2009年在H1N1爆发几周前，谷歌公司的工程师们在《Nature》上发表了一篇论文，介绍了GFT，成功预测了H1N1在全美范围的传播，甚至具体到特定的地区和州，而且判断非常及时，令公共卫生官员们和计算机科学家们倍感震惊。

这个工具最初运行表现很好，许多国家的研究人员已经证实，其流感样疾病（influenza-like illness, ILI）的估计是准确的，并且可以提前数周乃至数月，不像疾控中心一样要在流感爆发一两周之后才可以做到。

但此后的2013年，《新科学家》发现，在过去3年，该系统一直高估与流感相关的就医量，在这类数据最有用的流感季节高峰期尤其预测不准确。在2012/2013流感季节，它预测的就医量是美国疾控中心（CDC）最终记录结果的两倍；在2011/2012流感季节，它高估了逾50%。

《scientists》杂志认为错误源自一种被称作大数据浮夸（Big Data Hubris）的算法变化，例如对模型的人工优化，或是模型对某些不当关键词的自动调整（例如某些搜索其实源于季节而非真实发病），google对此也做出了一些调整，但效果仍待评估。

百度预测：新鲜上线，期待闪光

百度的疾病预测（http://trends.baidu.com/disease/）于今年6月上线，目前可以对全国331个地级市，2870个区县的四种疾病进行未来趋势的预测，某些城市甚至已经细化到具体的商圈。目前该产品提供流感、肝炎、肺结核和性病四种疾病的活跃度、流行指数，以及各种疾病相关的城市和医院排行榜，用户可以查看过去30天以内的数据和未来7天的预测趋势。而且百度还在疾病预测的页面上，整合了百度旗下其他优势产品资源，比如在页面右下角提供了百度百科和百度健康的链接，用户点击过去就可以了解到有关当前页面疾病的各种相关知识。

因为上线时间较短，百度预测的效果还很难评估，但考虑到比google预测上线较晚，加入了一些最新的技术成果和数据采集结果，这款产品在技术上应该是靠谱的。

例如，从公开资料来看，该产品模型的搭建一是通过历史数据构建统计规律性，比如流感或者手足口等疾病具有季节性周期的规律，二是通过研究疾病人数与其它相关数据的相关性来计算预测结果，同时从统计的角度来验证数据的正确性，以机器提供的数据为基础，加入对异常数据的监控和分析。

而为了让预测的准确率更高，百度还做了另外两方面的努力。其一是在数据合作上，不仅引入权威机构的相关数据而且保持同步更新，这其中不仅包含数据互通，同时也会与合作方的专家进行产品交流。

另一点不同在于，百度预测引入社交、天气、人群迁徙等搜索之外的数据，在搜索数据上，google的query数据依赖于Google Correlation产品，而百度则是直接从原始日志中进行清洗、消岐、扩展和分析，相对来说，理论上更容易避免“春天感冒怎么办”这样的查询影响结果。此外，百度的地理划分可以细化到城市商圈，可以查询的疾病也比google多。有鉴于此，我们有理由给予其更多的期待。

结语：无论如何，你应该试试

从此前世界杯预测的结果来看，百度拥有比google更灵活的数据挖掘手段，和更专业的分析团队，但目前我们面对的现实是，百度尚未提供国外服务，因此我建议在国内使用百度预测，在国外则使用google预测，或者试试基于社交媒体数据的sickwether，据说准确率也不错，达到90%。

需要指出的是，对google的差错过分担心是没有必要的。正如《大数据时代》一书所说，大数据本身探寻的是一种趋势，而非精准性，大数据时代需要学会接受数据的不完美。换言之，不能因为不精确而放弃大数据的应用和发展，若要无限接近统计结果的真，必须让大数据与精细的传统统计方法互补，而非两者相互替代。

百度也需要面对一些挑战。例如，目前我国对大数据给健康服务业发展带来的影响认识不足，在当前的产业发展规划中，忽视了大数据对该产业的影响，这些都需要百度运用其行业影响去改善。

总的来说，从现在开始，你应该养成出门前看看“疾病预报”的习惯，正如看天气预报那样，它惠而不费，而且已经足够好用，这并不仅限于肝炎。至少我已经开始这么做了。