今（2016）年年初，台灣各地出現流感病例，疫情在春節期間達到高峰，急診就醫的民眾超過上萬人，併發重症者將近兩千人。面對瞬息萬變的疫情，除了仰賴疾病管制署（以下稱疾管署）每週的疫情報導，難道沒有更快速的評估方法嗎？
用 Google 評估疫情研究登 Nature 期刊
現代人喜歡任何事都問問看 Google，甚至連生病了也會用 Google 查查症狀。因此當感冒的人多了，使用 Google 查詢「發燒」或「咳嗽」的民眾也跟著變多，讓特定關鍵字的搜尋熱門度，成了疫情變化的指標。2009 年在「自然（Nature）」期刊上發表了一篇以上述理論為基礎的評估系統，並且對照 2008 年真實爆發的流感病例，該系統的表現令人激賞，預測的數值和真實的病情呈現超高度的正相關（請參考表 1。該系統在評估 2008 年疫情的表現上，相關係數高達 0.85）[1]！
表 1：相關係數等級 [2]
| 正相關係數（介於1~0之間） | 等級 |
| ≧0.8 | 超高度相關（excellent correlation） |
| 0.8~0.6 | 高度相關（good correlation） |
| 0.6~0.4 | 中度相關（moderate correlation） |
| <0.4 | 低度或無相關（poor correlation） |
為什麼要用 Google 協助評估疫情？
正式的疫情統計方式，是由醫院採集患者檢體，再送交實驗室檢驗，確診後再回報給疾管署，最後再由政府每週公佈上週的確診病例數。可以預料的是，這套系統雖然可靠，但作業時間曠時費日（如 PCR 等檢驗需數日的時間），面對發展迅速的流行病，難免會有慢半拍的疑慮。而 Google 利用群眾的行為模式進行評估，不但隨時都是最新的資訊（Google Trend 每分鐘更新一次），並且所有人都能使用，更重要的是省卻了曠時費日的檢驗、公文流程，在面對瞬息萬變的疫情時，提供了另一種角度的疫情參考。因此 Google 設立了專門的流感統計系統—— Google Flu Trend，用來協助各國預警可能襲來的全球大流感。
但 Google Flu Trend 的評估規模是如美國、澳洲等大國，台灣是個相對小型的國家，並且 Google Flu Trend 也沒有提供中文關鍵字的資訊，難道台灣不能用 google 來協助評估疾病了嗎？讓我們改用 Google 趨勢（Google Trend）的關鍵字搜尋熱門度，來分析看看今年的流感疫情！
（J 編註：目前 Google Flu Trend 已經停止服務，但舊的資料依舊可以查詢喔！）
實際用在台灣，也有評估能力嗎？
首先針對今年的流感進行分析，條件如下：
表 2：2016 年流感分析條件
| 時間範圍：2016 年 1 月至 4 月初（第 1~13 週） | |
| 疾病別 | 每週流感重症確診人數 |
| 資料來源：中華民國疾管署的統計資料 | |
| 正體中文關鍵字 A | 感冒 |
| 正體中文關鍵字 B | 發燒 |
| 正體中文關鍵字 C | 咳嗽 |
| 資料來源：Google趨勢（Google Trend） | |
我們得到圖 1 的趨勢圖，其中直條圖為疾管署每週公佈的病例數，曲線圖為關鍵字每週的搜尋熱門度。
從上圖中我們可以觀察到，疫情感覺上和關鍵字有正相關。但「感覺上」、「看起來」還不夠，我們實際來計算相關係數的表現如何。
根據圖 2，「感冒」的搜尋熱門度和病例數產生的交點，有很高的線性關係，相關係數高達 0.9326，屬超高度相關！而從表 3 中可以看出，「感冒」、「發燒」和「咳嗽」的當週搜尋熱門度，都和當週的疫情數字有高度相關！顯示用Google 來幫助評估流感疫情是很有潛力的方式！
表3：關鍵字和流感重症人數的相關程度
| 關鍵字 | 相關程度（相關係數） |
| 感冒 | 超高度相關（0.9326） |
| 發燒 | 超高度相關（0.8378） |
| 咳嗽 | 高度相關（0.7279） |
所以真的能用 Google 預測下週疫情嗎？
用當週的數值比較只能算是「評估」系統，接下來我們以「當週」的 Google 數值和「下週」的病例數做計算 [2]，來看看 Google 能不能幫我們「提前猜到趨勢」，替未來的疫情做一個猜測呢？
從圖 3 可以發現到，當週的 Google 數值和「下週」的實際病例數依然有線性關係，並且呈現高度相關！
而表 4 的結果裡可以發現到，以「感冒」的預警效果最好，屬高度相關，而「發燒」和「咳嗽」的表現也不錯，屬中度相關！雖然未達神預測的地步，但在時刻必爭的疫情控制上，也是另一種值得參考的角度！
表 4：以「當週」的 Google 數據對照「下週」的確診病例，觀察預警的效果
| 疫情「評估」效果 | 疫情「預警」效果 | |
| 關鍵字 | 相關程度（相關係數） | 相關程度（相關係數） |
| 感冒 | 超高度相關（0.9326） | 高度相關（0.7534） |
| 發燒 | 超高度相關（0.8378） | 中度相關（0.5184） |
| 咳嗽 | 高度相關（0.7279） | 中度相關（0.5919） |
群眾的行為模式就是趨勢
近年來在商業界裡，以觀察群眾行為作出未來趨勢判斷的例子越來越多（如：Netflix 打造熱門影視「紙牌屋」），而利用群眾行為模式在公衛防疫上的應用更在最近興起（如：利用飛航記錄預測茲卡病毒的流行 [3]），而利用群眾的活動模式來協助我國疫情的評估，將能有快速、預警的優勢，並且提供不同角度的觀點。未來在面對腸病毒、登革熱，甚至於是明年的流感威脅，何不聚集群眾的智慧來替我國的防疫多一層把關呢？
本文感謝台東部立醫院 醫檢師 張昱維（Yu-Wei Chang）和病後人生 一站式服務網 站長 羅佩琪 協助
註釋：
- 筆者尚有以 2012 年的腸病毒疫情，以及 2015 年的登革熱疫情作評估的數據，若有興趣者歡迎一起來討論。
- 用 Google 評估疫情會受到許多因素影響，如媒體大量報導時，因個人興趣而查詢特定關鍵字的民眾會變多，導致搜尋熱門度趨勢受到影響。因此群眾行為模式並不能完全取代現行的機制。所以本文著重於提供「不同面向的參考」。
參考文獻：
- Jeremy Ginsberg, Matthew H. Mohebbi, Rajan S. Patel, Lynnette Brammer, Mark S. Smolinski & Larry Brilliant (2009) Detecting influenza epidemics using search engine query data. Nature, 457, 1012-1014
- Andrea Freyer Dugas, Yu-Hsiang Hsieh, Scott R. Levin, Jesse M. Pines, Darren P. Mareiniss, Amir Mohareb, Charlotte A. Gaydos, Trish M. Perl, and Richard E. Rothman (2012) Google Flu Trends: Correlation With Emergency Department Influenza Rates and Crowding Metrics. Clinical Infectious Diseases, 54, 463-469
- Isaac I Bogoch, Oliver J Brady, Moritz U G Kraemer, Matthew German, Marisa I Creatore, Manisha A Kulkarni, John S Brownstein, Sumiko R Mekaru, Simon I Hay, Emily Groot, Alexander Watts, Kamran Khan (2016) Anticipating the international spread of Zika virus from Brazil. The Lancet, 387, 335-336
狐禪
