根据新的研究报告，与现有的消费者投诉和例行检查方法相比，使用机器学习以及从已登录的Google用户中取消识别和汇总搜索和位置数据的新计算机模型在识别可能不安全的餐馆时更为准确。谷歌和哈佛大学陈公共卫生学院。研究结果表明，该模型可以近乎实时地帮助识别食品安全中的失误。

“食源性疾病很常见，成本高昂，并且每年都有数千名美国人在急诊室就诊。谷歌开发的这项新技术可以帮助餐馆和当地卫生部门在问题变得更严重之前更快地发现问题，“相应的作者Ashish Jha，哈佛陈学院全球健康教授KT Li和哈佛大学校长全球卫生研究所。

该研究于2018年11月6日在线发表于npj Digital Medicine。

食源性疾病在美国是一个长期存在的问题，餐馆和当地卫生部门确定爆发的现行方法主要依赖于消费者投诉或例行检查。这些方法可能是缓慢和麻烦的，通常导致延迟的反应和疾病的进一步传播。

为了克服这些缺点，谷歌研究人员开发了一种机器学习模型，并与哈佛大学合作在芝加哥和拉斯维加斯进行测试。该模型首先对可以指示食源性疾病的搜索查询进行分类，例如“胃痉挛”或“腹泻”。该模型然后使用来自选择保存它的人的智能手机的去识别和汇总的位置历史数据，确定最近访问过那些搜索这些条款的人。

然后，每个城市的卫生部门都会获得一份餐馆名单，这些餐馆被模型确定为食源性疾病的潜在来源。然后，该市将向这些餐馆派遣卫生检查员，尽管卫生检查员不知道他们的检查是否是由这种新模式或传统方法引起的。在研究期间，卫生部门继续遵循其通常的检查程序。

在2016年11月至2017年3月期间部署模型的芝加哥，该模型提示了71次检查。该研究发现，该模型检测到的不安全餐馆的比率为52.1%，而基于投诉的系统引发的检查率为39.4%。研究人员指出，芝加哥拥有全国最先进的监测计划之一，并已采用社交媒体挖掘技术，但这种新模式在确定违反食品安全的餐馆时更为精确。