질병 예측 모델 (Disease forecasting models)은 일반적으로 단일 데이터 스트림 (data stream)에 의존하며, 이로 인해 이력이 짧거나 노이즈가 심할 경우 모델이 취약해지는 경향이 있습니다. 최근 높은 성능을 보이는 모델들은 동일한 질병에 대해 여러 보고 시스템을 합성하는 것이 성능을 향상시킨다는 것을 보여주었습니다. 다른 최근 연구들은 이러한 아이디어를 한 단계 더 발전시켜, 전이 학습 (transfer learning)을 사용하여 한 질병의 데이터를 통해 다른 질병의 예측 모델을 학습시킵니다. 본 연구에서는 이러한 각각의 접근 방식을 크게 확장하여, 66개의 감염병 (infectious diseases)과 여러 데이터 스트림에 걸친 데이터를 사용하여 머신러닝 (machine learning) 모델을 학습시킵니다. 우리는 20개의 서로 다른 질병 데이터 스트림을 예측하기 위해 다양한 데이터 스트림을 통합하는 것의 가치를 조사합니다. 연구 결과, 고려된 시계열 (time series) 및 모델 구조의 대다수(84.9%)에서 다른 데이터 스트림을 통합하는 것이 예측 성능을 향상시킨다는 것을 발견했습니다. 그러나 우리의 연구는 추가된 데이터의 품질이 중요하다는 점을 강조하며, 타겟 데이터 스트림과 극도로 다른 데이터를 추가하는 것은 때때로 예측 성능을 저하시킬 수 있습니다. 본 연구의 주요 기여는 감염병 예측 커뮤니티에서 사용할 수 있도록 공개 데이터베이스를 구축한 것입니다.