高致病性禽流感（HPAI），特别是H5N1亚型，已导致全球反复爆发，主要影响鸟类，但偶尔会在人类之间传播。这些事件构成了严重的公共卫生和经济风险，需要加强监测。这项研究以加拿大的机器学习模型为例，评估了用于预测高致病性禽流感爆发的基于网络的新数据。通过应用程序编程接口（API）驱动的管道并结合历史高致病性禽流感案例，自动收集并整合了七个基于网络的资源，即谷歌趋势、谷歌新闻、全球事件、语言和音调数据库（GDELT）、Reddit、脸书、最低温度和空气质量（紫外线指数和CO水平）。使用深度学习模型进行预测：门控递归单元（GRU），长期短期记忆（LSTM）及其与卷积神经网络（CNN）的组合。包括经典的机器学习模型，随机森林（RF），支持向量机（SVM）和朴素贝叶斯（NB）进行比较。使用均方根误差（RMSE）和相关性评估模型性能。使用排列方法和Mann-Whitney U检验评估特征重要性。GRU提供了最准确的预测。历史病例数据是最重要的因素（p＜0.01），其次是Facebook活动和最低温度。这些发现表明，将多种数据与机器学习相结合可以增强高致病性禽流感的早期检测，从而能够及时做出公共卫生反应并减轻经济影响。