Google wygrał konkurs CDC na prognozy grypy. Co to oznacza?

Model sztucznej inteligencji opracowany przez Google zajął pierwsze miejsce w konkursie prognostycznym Centers for Disease Control and Prevention (CDC) dotyczącym hospitalizacji z powodu grypy w sezonie 2025-2026. To osiągnięcie pokazuje, jak zaawansowane algorytmy mogą wspierać publiczne systemy zdrowia w przygotowaniu się do sezonowych epidemii.

Jak przebiegł konkurs CDC na prognozy grypowe?

Centrum Kontroli Chorób organizuje wyzwania prognozowania od sezonu 2013-2014, z przerwą w latach 2020-2021. Konkurs na sezon 2025-2026 przyciągnął znaczące zainteresowanie naukowców i zespołów zajmujących się modelowaniem epidemiologicznym.

W konkursie uczestniczyło 34 zespoły, które dostarczyły łącznie 53 unikalne modele prognostyczne. Spośród nich 39 modeli spełniło surowe kryteria włączenia do oficjalnej oceny — wymóg ten zakładał osiągnięcie co najmniej 75 procent wszystkich celów prognozowania. To pokazuje, że konkurencja była ostra: prawie jedna czwarta złożonych rozwiązań nie przeszła podstawowego filtra jakości.

Wyniki oceny opublikowano 30 września 2026 roku. Spośród 39 zakwalifikowanych modeli aż 33 osiągnęły lepsze rezultaty niż ustalona z góry linia bazowa — punkt odniesienia, od którego mierzy się postęp. To oznacza, że zdecydowana większość podejść okazała się wartościowa i mogła dostarczać użytecznych informacji epidemiologom.

Model Google_SAI-FluEns: zwycięzca konkursu

Model Google zajął pierwsze miejsce w klasyfikacji. Zespół z Google Research, kierowany przez Zahrę Shamsi, opracował system przy użyciu narzędzia ERA. Szczegóły techniczne systemu zostały opisane w preprincie złożonym 15 maja 2026 roku przez autorów: Martinsona, Brennera, Plomeckę, Williamsa, Reicha i Shamsi.

Dla porównania, zespół FluSight — inny znaczący uczestnik konkursu — zajął siódme miejsce w ogólnej klasyfikacji. Chociaż nie zwyciężył, jego prognozy wykazały solidną dokładność, osiągając pokrycie około 95 procent od lutego 2026 roku. To pokazuje, że nawet modele, które nie zajęły pierwszego miejsca, mogą dostarczać wiarygodnych prognoz dla systemu zdrowia publicznego.

Jak przebiegł sezon grypowy 2025-2026?

Sezon określony został jako umiarkowany pod względem intensywności. Jednak przebieg epidemii nie był przewidywalny — szczególnie dla systemów prognostycznych.

Wzrost liczby hospitalizacji rozpoczął się od połowy listopada 2025 roku. Szczytowa tygodniowa liczba hospitalizacji przekroczyła 40 000 przypadków w tygodniu zakończonym 27 grudnia 2025 roku. To znaczące obciążenie dla szpitali i służb zdrowia.

Jednak modele — w tym zwycięski system Google — miały trudności z dokładnym przewidzeniem niektórych zmian. Prognozy nie przewidziały gwałtownych wzrostów koniec grudnia 2025 roku i spadków w połowie stycznia 2026 roku. Te niespodziewane fluktuacje ilustrują wyzwania w modelowaniu epidemiologicznym: rzeczywistość zawsze zawiera elementy, które trudno uchwycić w algorytmach, nawet zaawansowanych.

Kluczowe daty i liczby sezonu 2025-2026
Początek wzrostu hospitalizacji	Połowa listopada 2025
Szczyt krajowy	Tydzień zakończony 27 grudnia 2025
Szczytowa liczba hospitalizacji tygodniowo	Ponad 40 000
Pokrycie prognoz zespołu FluSight	~95% od lutego 2026
Okres zbierania prognoz	Listopad 2025 – 20 maja 2026
Publikacja pierwszych prognoz	12 grudnia 2025
Publikacja ostatecznych danych	1 lipca 2026

System Google pracuje dla trzech patogenów

Model Google nie ogranicza się wyłącznie do grypy. System generuje prognozy dla trzech zakaźnych patogenów: grypy, COVID-19 i wirusa syncytialnego (RSV). To oznacza, że jedno rozwiązanie może wspierać publiczne systemy zdrowia w monitorowaniu kilku równocześnie rozprzestrzeniających się chorób.

Google rozpoczęła składanie prognoz do konkursu CDC w listopadzie 2025 roku. Szczegóły pracy zespołu opublikowano w poście na blogu Google Research 29 kwietnia 2026 roku, co pozwoliło szerszej społeczności naukowców zapoznać się z podejściem i metodologią.

Co to oznacza dla Ciebie?

Zwycięstwo modelu Google w konkursie CDC ma kilka praktycznych konsekwencji. Po pierwsze, pokazuje, że sztuczna inteligencja może być wiarygodnym narzędziem wspierającym decyzje w publicznym systemie zdrowia. Jeśli pracujesz w ochronie zdrowia lub zarządzaniu kryzysowym, tego typu prognozy mogą pomóc w planowaniu zasobów szpitalnych, przygotowaniu personelu i zamawianiu materiałów medycznych przed szczytem sezonu.

Po drugie, konkurs CDC pokazuje, że nawet najlepsze modele mają ograniczenia. Żaden system nie przewidział dokładnie wszystkich zmian w przebiegu epidemii. To przypomina, że prognozowanie epidemiologiczne to nie nauka ścisła — zawsze wymaga ludzkiego osądu i gotowości do szybkiej adaptacji, gdy rzeczywistość odbiega od przewidywań.

Po trzecie, konkurencja między 34 zespołami i 53 modelami pokazuje, że problem prognozowania epidemiologicznego przyciąga uwagę najlepszych naukowców. To oznacza, że w kolejnych latach możemy spodziewać się jeszcze bardziej zaawansowanych systemów.