Google AI признана лучшей в прогнозе госпитализаций по гриппу

Коротко: что произошло

CDC включил результаты моделей для прогноза госпитализаций по гриппу в проект FluSight — это объединённый еженедельный свод прогнозов команд из госструктур, индустрии и академии. По итогам сезона 2025–26 агентство оценило 39 допущенных к конкурсу моделей; лучшим по совпадению с фактическими госпитализациями признали модель Google.

Модель Google предсказывала количество госпитализаций на текущую неделю и на три последующих недели в период с октября по май. Победа зафиксирована по итогов сезонного анализа, который сравнивает прогнозы команд с наблюдаемыми данными.

Как работали прогнозы и откуда берутся оценки

FluSight собирает еженедельные прогнозы от разных команд и комбинирует их в единый свод, которым пользуются власти для оценки ожидаемой нагрузки на медицинские службы на уровне штатов. В рамках этого процесса команды подают прогнозы на текущую неделю и на отрезки до трёх недель вперёд; итоговый ансамбль служит ориентиром для планирования.

Оценка точности в сезонном анализе сопоставляет предсказанные значения с фактическими госпитализациями за сезон. В ролях участников — государственные структуры, академические лаборатории и промышленность; модель Google показала наилучшее совпадение с реальными данными среди допущенных моделей.

Инструмент, который использовали: Empirical Research Assistance (ERA)

Модель Google была разработана с использованием Empirical Research Assistance — инструмента, который генерирует алгоритмы оптимизации для задач в разных научных областях. Научное описание технологии ERA опубликовано в журнале Nature, а сама технология доступна доверенным тестерам как часть экспериментальных инструментов для науки.

Из описания следует, что ERA помогает автоматизировать подбор алгоритмических решений и оптимизаций, которые затем интегрируют в конкретные научные модели. В случае прогноза госпитализаций ERA применяли при создании методики, лежащей в основе итоговой модели Google.

Практический контекст и последствия для здравоохранения

Точнее совпадающая модель означает более надёжный ориентир при оценке ближайшей потребности в койках, оборудовании и персонале. Когда прогнозы согласованы с наблюдаемыми трендами, органы здравоохранения и больницы получают более конкретные сигналы о том, где и когда может вырасти нагрузка.

Для региональных служб это помогает корректировать распределение ресурсов — например, решать, куда направить мобильные бригады, как перераспределить запасы препаратов и средств индивидуальной защиты, а также какие подразделения готовить к увеличению потока пациентов. Для операторов системы здравоохранения улучшенные прогнозы означают возможность планировать рабочие смены и открытие дополнительных коек заранее, а не реагировать в экстренном режиме.

Кроме того, сопоставление моделей в рамках FluSight остаётся инструментом проверки методов: регулярное участие разных команд позволяет выявлять подходы, которые стабильно дают лучшие совпадения с наблюдаемыми данными.

Ограничения и что не следует ожидать

Признание лучшей модели в сезонном анализе не означает абсолютной предсказательной мощности в любых условиях. Оценка проводилась по конкретному сезону и включала сравнение с наблюдаемыми госпитализациями за этот период; в других сезонах результаты и относительная эффективность моделей могут меняться.

FluSight комбинирует прогнозы разных команд, и итоговый ансамбль служит ориентирами для планирования, но не заменяет оперативную эпидемическую разведку и локальные клинические наблюдения. Прогнозы на несколько недель вперёд по своей природе несут неопределённость — они полезны для планирования, но не дают гарантии точного числа случаев.

ERA как инструмент доступен лишь доверенным тестерам в рамках экспериментальных наборов; это значит, что методика не стала массовым открытым решением для всех исследователей и операторов здравоохранения. Дальнейшая проверка и адаптация таких инструментов к разным регионам и типам данных остаются необходимыми шагами.