刚刚过去的这个周末,你有没有约上家人或者朋友出门吃一顿大餐呢?通常我们在选择餐馆时,食品安全是一个非常重要的考虑因素,我们主要依据其他人对餐厅食品安全的相关评价来做出选择。然而并不是所有人都会愿意在点评网站写下详细的留言,而且这些留言也非常容易被淹没。鉴于这种情况,有没有一种很好的方法,让我们可以更加快捷地寻找到既美味又卫生的餐厅,放心地来享用一顿大餐呢?
近日,来自谷歌和哈佛大学的研究人员发表了一项新的研究:他们建立了一个机器学习模型,可以根据人们手机中的Google搜索信息和定位信息,来识别具有潜在食品安全风险的餐厅。这项研究的论文在线发表在了《npj Digital Medicine》上。
食品安全一直是威胁人们健康的长期隐患之一,仅在美国,每年都有成千上万的人因患食源性疾病而去医院就医。目前来说,餐厅和卫生部门主要靠例行检查或消费者投诉等方式来发现食品安全问题。但是这些方法过程漫长且繁琐,且通常会造成反馈延迟、使疾病进一步扩展等不良后果。
为了解决这些问题,谷歌和哈佛大学的研究人员合作开发了一个机器学习模型,并在芝加哥和拉斯维加斯进行测试。该模型的工作原理如下:首先,算法对可以表明和食源性疾病相关的搜索关键词进行分类,如“胃痉挛”或“腹泻”等词语。然后,该模型使用来自智能手机中去除身份信息后的定位,来识别出搜索这些词语的人最近访问过哪些餐厅。当模型识别出食源性疾病的潜在来源餐厅后,会将这份名单交给该城市的卫生部门,由卫生部门派遣人员去相关餐厅进行卫生检查,从而确定模型预测的准确性。
该模型于2016年5月到8月期间在拉斯维加斯进行了测试,并于2016年11月至2017年3月期间在美国的芝加哥进行了测试,共发起了71次检查。研究结果显示,机器学习模型在两个城市检测到的有食品安全问题餐馆的准确率为52.3%,而常规卫生检查的检测率只有22.7%。
有趣的是,在该模型检测到的所有具有食品安全隐患的餐厅中,有38%的餐厅并不是那些搜索与症状相关词汇的人们最近一次访问的餐厅。这是一个非常重要的发现,因为之前的研究已经表明,人们倾向于认为他们最近一次去用餐的餐厅是导致他们不适症状的“罪魁祸首”,因此可能会对错误的餐馆提出投诉。然而在临床上,食源性疾病可能需要48小时甚至更长的时间才能出现相关的症状。
“这项研究代表着我们已经开始寻找机器学习和流行病学领域的交集之处,”这项研究的共同作者、谷歌高级研究科学家Evgeniy Gabrilovich博士表示:“就像现代流行病学之父John Snow博士在1854年挨家挨户寻找霍乱爆发的源头一样,如今我们可以利用在线数据近乎实时地进行流行病学方面的观察,并且以一种及时且高效的方式来显著改善公众健康。”
参考资料:
[1] Computer model more accurate at identifying sources of foodborne illnesses than traditional. Retrieved November 9, 2018, from https://www.eurekalert.org/pub_releases/2018-11/htcs-cmm110218.php
[2] Sadiek, et al., (2018). Machine-learned epidemiology: real-time detection of foodborne illness at scale. npj Digital Medicine, doi: https://doi.org/10.1038/s41746-018-0045-1
本文来自”药明康德AI“公众号(ID:gh_06af933b93d6),转载请联系出处。如有其它合作需求,请联系wuxi_media@wuxiapptec.com。