The Flu Model That Ranked First
On September 30, the US Centers for Disease Control and Prevention released its review of 39 models that forecast weekly influenza hospital admissions during the 2025–26 season. Google’s SAI-FluEns ranked first among individual team submissions. The public forecast the CDC used was a separate median ensemble, which ranked seventh overall. At the national peak, weekly admissions exceeded 40,000; fewer than 25 percent of that ensemble’s two-week prediction intervals across jurisdictions contained the observed figures. Flu forecasts can help officials plan hospital beds, staffing and antiviral supplies, making the distinction between a contest winner and a public health forecast tangible.
The report shows accuracy declined when flu activity changed quickly. A season-wide score can hide how a model performs in a state or around a sudden surge, just when a hospital may need to revise staffing or bed plans. The review is a retrospective comparison; it does not say Google’s winning model has replaced the CDC’s ensemble or that hospitals used it to make those decisions. The next test is whether forecasts communicate uncertainty clearly and update local estimates early enough to inform response before admissions climb.
El modelo de gripe que quedó primero
El 30 de septiembre, los Centros para el Control y la Prevención de Enfermedades de Estados Unidos (CDC) publicaron su evaluación de 39 modelos que pronosticaron las hospitalizaciones semanales por gripe durante la temporada 2025-26. El sistema SAI-FluEns de Google quedó primero entre los envíos individuales de los equipos. El pronóstico público que difundió el CDC era otro: un conjunto que toma la mediana de varios modelos y terminó séptimo en la clasificación general. En el pico nacional, las hospitalizaciones superaron las 40.000 por semana; menos del 25 % de los intervalos de predicción a dos semanas de ese conjunto incluyeron las cifras observadas. Estos pronósticos pueden ayudar a las autoridades a planificar camas, personal y antivirales.
El informe registra caídas de precisión cuando la actividad gripal cambió con rapidez. Un resultado promedio de toda la temporada puede ocultar cómo responde un modelo en cada estado o justo antes de un repunte, cuando un hospital necesita ajustar turnos y capacidad. La evaluación compara pronósticos pasados y no afirma que el modelo ganador de Google haya sustituido el conjunto del CDC ni que los hospitales lo hayan usado para organizar recursos. La próxima prueba será si los modelos comunican con claridad su incertidumbre y actualizan las estimaciones locales a tiempo para orientar la respuesta antes de que aumenten los ingresos.
