迅速查明新出现的流行病仍然是一项巨大的挑战，限制了我们有效遏制疫情的能力，如COVID-19。作为回应，智能温度计公司Kinsa开发了一种方法，利用县级疾病信号实时识别异常流感样疾病发病率（ILI）疫情，该信号由实时地理空间温度计数据和高度准确的12周疾病预测开发。通过分析，Kinsa 通过实时 ILI 与预期的季节性流感趋势进行比较，标记异常高的发病率数据，这些预测来自潜在爆发前某个点的地理特定流感预测。
创建美国健康天气图
美国健康天气图是与流感样疾病相关的季节性疾病的可视化。可视化的聚合匿名数据来自 Kinsa 的智能温度计网络和随附的移动应用程序。
该映射是与俄勒冈州立大学本杰明·达尔齐尔合作创建的。它显示了两个关键数据点：目前正在观察的疾病水平，以及这些水平高于我们预计在流感季节这个点看到的典型水平的程度。Kinsa认为，这些”非典型疾病”，在某些情况下可能与COVID-19大流行有关。
Kinsa 能够利用根据县级 ILI 数据培训的高精度长铅流感预测，生成每个县一系列预期的流感趋势。此预测方法利用地理特定数据来估计每个城市流感的每日季节性传播模式，使我们能够了解每个地区过去流感疫情的”指纹”这些模式用于在县级建立高度精确的长期领导疾病预测。例如，小城市已知有尖锐的流行病，而较大的城市往往有”扁平”的发病率曲线由于动物免疫效应。
据金萨的首席执行官因德·辛格说，
“我们建立了一个早期预警系统，显示发烧程度异常高且不断升高的地方。这一制度旨在引导公共卫生急救人员前往需要进一步调查和资源的领域，因为一些非正常情况正在发生。
我们已经尽力使此工具易于访问。数据显示为显示美国各地当前疾病水平的地图。我们还创建了另一个视图，重点介绍了流感季节此时疾病水平高于通常预期的区域。
虽然没有预测COVID-19，但该公司指出，自3月1日以来，累积非典型疾病发病率与阳性COVID-19检测（在州一级）在受影响地区和受影响地区内的时间安排之间有很强的相关性，这表明他们的数据提供了COVID-19可能发生地点的有用指示。
演示如何使用此方法实时识别潜在的 COVID-19 爆发。预期流感预测是从疫情爆发前的某一点生成的，每天识别超过95%置信限度的异常情况。
Kinsa 建议将其数据解释为对其他可用数据源的补充，包括显式 COVID-19 测试和 ER 入学数据等显然，在智能温度计销售不多的地区，数据不能准确。
地理空间分析的价值
地图是通过CARTO的位置情报平台使用开放地图制作的。CARTO已经通过其赠款计划向抗击冠状病毒疫情的公共和私营部门组织提供了其平台，并且它被一些组织用于协助测绘和地理空间分析，如华盛顿大学-西雅图分校的人文GIS实验室，NBC纽约新闻报道。西班牙的Hocelot正在努力避免紧急呼叫超载系统，并确定感染焦点，而科尔滕护理有限公司在英国正在使用该平台直观地显示和管理 COVID-19 对其 21 个地点的护理家庭居民的影响，以及他们与家人/朋友及其员工的互动。