Assessment of using Google Trends for real-time monitoring of infectious disease outbreaks: a measles case study
Notice bibliographique
Résumé
Measles remains a significant threat to children worldwide despite the availability of effective vaccines. The COVID-19 pandemic exacerbated the situation by leading to the postponement of supplementary measles immunization activities. Along with this postponement, measles surveillance also deteriorated, with the lowest number of submitted specimens in over a decade. In this study, we focus on measles as a challenging case study due to its high vaccination coverage, which leads to smaller outbreaks and potentially weaker signals on Google Trends. Our research aimed to explore the feasibility of using Google Trends for real-time monitoring of infectious disease outbreaks. We evaluated the correlation between Google Trends searches and clinical case data using the Pearson correlation coefficient and Spearman's rank correlation coefficient across 30 European countries and Japan. The results revealed that Google Trends was most suitable for monitoring acute disease outbreaks at the regional level in high-income countries, even when there are only a few weekly cases. For example, from 2017 to 2019, the Pearson correlation coefficient was 0.86 (p-value< 0.05) at the prefecture level for Okinawa, Japan, versus 0.33 (p-value< 0.05) at the national level for Japan. Furthermore, we found that the Pearson correlation coefficient may be more suitable than Spearman's rank correlation coefficient for evaluating the correlations between Google Trends search data and clinical case data. This study highlighted the potential of utilizing Google Trends as a valuable tool for timely public health interventions to respond to infectious disease outbreaks, even in the context of diseases with high vaccine coverage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».