A Time-Series Model for Areal Data Using Area-Specific Gaussian Processes with Spatially Correlated Hyperparameters

في عالم الصحة العامة، يعد فهم كيفية انتقال الأمراض عبر السكان مسأًلة تتعلق بالحياة أو الموت. لا يكتفي مسؤولو الصحة بمراقبة مدينة واحدة أو أسبوع واحد فحسب؛ بل يراقبون كيف ينتشر المرض عبر مناطق بأكملة على مدار أشهر وسنوات. هذا النوع من المعلومات، المعروف بالبيانات المكانية (areal data)، يُجمع في كتل مثل المناطق أو المقاطعات، مما يخلق نسيجاً معقداً من الأرقام التي تتغير بمرور الوقت. ويتمثل التحدي الذي يواجه الإحصائيين في فك رموز هذا النسيج؛ إذ يتعين عليهم معرفة كيفية التنبؤ بما سيحدث لاحقاً في بلدة معينة مع الإدراك بأن البلدة لا توجد في فراغ. فالبلدات المجاورة غالباً ما تتشارك في طقس متشابه، وسكان متشابهين، ومخاطر متشابهة، مما يعني أن أنماط الأمراض لديها مترابطة. وغالباً ما تعامل الطرق التقليدية لتحليل هذه البيانات الوقت والمكان كطبقتين منفصلتين، حيث تعمل على تنعيم التفاصيل لإيجال اتجاه عام. وبينما يعمل هذا بشكل جيد للمراجعات العامة، إلا أنه قد يغفل أحياناً عن الإيقاعات المحلية الفريدة لتفشي المرض، أو قد يفشل في تقديم صورة واضحة لمدى عدم اليقين في التنبؤ. وعندما تُتخذ القرارات بشأن اللقاحات أو الإمدادات الطبية، فإن معرفة ليس فقط النتيجة المرجحة، بل أيضاً نطاق النتائج المحتملة، أمر بالغ الأهمية.

اقترح فريق من الباحثين طريقة جديدة لفك تشابك هذه الأنماط المعقدة، مع التركيز على حالة محددة وحيوية: الملاريا في موزمبيق. فبدلاً من محاولة تنعيم أرقام المرض مباشرة عبر الخريطة، قرروا النظر إلى "الشخصية" الكامنة وراء الاتجاهات الزمنية في كل منطقة. تخيل أن لكل منطقة نبضاً فريداً خاصاً بها للملاريا، بقمم وقيعان ترتفع وتنخفض بسرعات وكثافات مختلفة. أدرك الباحثون أنه بينما لكل منطقة نبضها الخاص، فإن المناطق المجاورة لبعضها البعض تميل إلى امتلاك نبضات متشابهة جداً. تعاملت طريقتهم الجديدة مع النمط الزمني لكل منطقة كمنحنى مرن وانسيابي، لكنها فرضت قواعد رياضية تجعل المنحنيات التي تشكلها متشابهة للجيران. ومن خلال القيام بذلك، سمح النموذج لكل منطقة بأن يكون لها قصتها الفريدة مع الاستفادة في الوقت نفسه من حكمة البلدات المحيطة بها. وقد تم اختبار هذا النهج باستخدام سجلات شهرية لحالات الملاريا من 56 منطقة عبر ثلاث ولايات، تغطي الأعوام من 2017 إلى 2024.

بدأ الباحثون بفحص البيانات لمعرفة ما إذا كان حدسهم صحيحاً. فقد نظروا في كيفية ارتفاع وانخفاض حالات الملاريا في مناطق مختلفة ووجدوا أنه بينما كان توقيت التفشي متشابهاً عبر المنطقة، إلا أن التفاصيل المحددة كانت تتباين. فبعض المناطق شهدت قممًا حادة وعالية، بينما شهدت أخرى موجات أقل حدة ولكنها أكثر استمراراً. والأهم من ذلك، وجدوا أن الخصائص الرياضية التي تصف هذه الموجات — أي مدى تباينها وطول مدتها — لم تكن عشوائية. فالمناطق القريبة جغرافياً من بعضها البعض تميل إلى امتلاك خصائص متشابهة جداً. وقد أشار هذا الاكتشاف إلى أن أفضل طريقة لنمذجة البيانات ليست إجبار جميع المناطق على اتباع نفس الجدول الزمني بدقة، بل السماح لكل منطقة بأن يكون لها جدولها الزمني الخاص مع ضمان أن القواعد التي تحكم تلك الجداول الزمنية مشتركة بين الجيران.

ولاختبار هذه الفكرة، بنى الفريق نموذجاً حاسوبياً متطوراً يعامل حالات الملاريا في كل منطقة كمنحنى سلس ومستمر بدلاً من كونها مجرد نقاط شهرية منفصلة. ثم طبقوا قاعدة خاصة: وهي أن الإعدادات الرياضية التي تحدد مدى تذبذب أو سلاسة هذه المنحنيات مسموح لها بالتأثير على بعضها البعض بناءً على الجغرافيا. فإذا كان لدى منطقة ما نمط متقلب للغاية، يتم تشجيع جيرانها إحصائياً على امتلاك نمط متقلب مماثل، حتى لو كانت أعداد الحالات الفعلية لديهم مختلفة. خلق هذا نظاماً يتدفق فيه المعلومات بشكل طبيعي عبر الخريطة، ليس من خلال متوسط أعداد الحالات، بل من خلال مشاركة الفهم لكيفية سلوك المرض بمرور الوقت. وقارن الفريق هذا النهج الجديد بعدة طرق راسخة استُخدمت لعقود لتتبع الأمراض. وقاموا بتقسيم بياناتهم إلى جزأين، باستخدام السنوات الأولى لتدريب النموذج والشهور الأخيرة لمعرفة مدى قدرته على التنبؤ بالمستقبل.

أظهرت النتائج أن الطريقة الجديدة كانت فعالة للغاية. فعند التنبؤ بعدد الحالات في فترة الاختبار، كان النموذج الجديد يؤدي بمستوى يضاهي، وفي بعض الحالات يتفوق على، الطرق التقليدية. لقد رصد الاتجاهات العامة بدقة، سواء كان المرض في حالة صعود أو هبوط. ومع ذلك، لم يكن الاكتشاف الأكثر أهمية يتعلق بمدى قرب التنبؤات من الأرقام الفعلية، بل بكيفية تعبير النموذج عن ثقته. في علم الإحصاء، من الضروري معرفة ليس فقط الإجابة، بل مدى تأكدك من تلك الإجابة. فالنماذج التقليدية غالباً ما تنتج نطاقات تنبؤ ضيقة تبدو دقيقة ولكنها تخطئ في الأرقام المرصودة فعلياً، مما يعني أنها كانت مفرطة في الثقة. وفي المقابل، أنتج النموذج الجديد نطاقات أوسع كانت أكثر عرضة لاحتواء العدد الحقيقي للحالات. لقد كان أكثر تحفظاً، معترفاً بأن المستقبل غير مؤكد، ومن خلال القيام بذلك، قدم شبكة أمان أكثر موثوقية لصناع القرار.

هذا الفرق في الموثوقية أمر بالغ الأهمية للتخطيط للصحة العامة. فإذا قال نموذج ما إن منطقة ما ستشهد 1,000 حالة وكان واثقاً جداً، بينما كان الرقم الحقيقي هو 1,500، فقد لا يرسل المسؤولون الصحيون ما يكفي من الدواء. إن النموذج الجديد، من خلال توفير نطاقات أوسع وأكثر واقعية، يضمن استعداد المسؤولين لمجموعة أوسع من الاحتمالات. ووجد الباحثون أنه بينما لم يتنبأ النموذج الجديد دائماً بالعدد الدقيق للحالات بشكل أفضل من النماذج القديمة، إلا أنه قدم باستمرار صورة أكثر صدقاً لعدم اليقين المتضمن. وهذا أمر مهم بشكل خاص في المناطق ذات البيانات المحدودة، حيث تكون المخاطر عالية والمعلومات شحيحة. ومن خلال السماح للمناطق المجاورة بمشاركة المعرفة حول طبيعة اتجاهات المرض بدلاً من مجرد الاتجاهات نفسها، حقق النموذج توازناً بين المرونة والاستقرار عجزت الطرق السابقة عن الوصول إليه.

تشير الدراسة، التي ركزت على السياق المحدد للملاريا في موزمبيق، إلى أن هذا النهج يمكن أن يكون أداة قوية لتحليل أنواع أخرى من البيانات التي تتغير عبر الزمان والمكان، من المراقبة البيئية إلى التحولات الديموغرافية. وأشار الباحثون إلى أن طريقتهم تعمل بشكل جيد حتى عندما تكون البيانات معقدة والأنماط ليست منتظمة تماماً. كما أقروا بأنه رغم قوة النموذج، إلا أنه ليس حلاً سحرياً؛ فهو لا يزال يتطلب إعداداً وتفسيراً دقيقين. وقد أتاح الفريق الكود البرمجي ونسخة مبسطة من بياناتهم للآخرين، داعين المجتمع العلمي للبناء على عملهم. وفي نهاية المطاف، يقدم هذا البحث منظوراً جديداً لمشكلة قديمة، موضحاً أنه من خلال تغيير الطريقة التي نفكر بها في كيفية تفاعل الزمان والمكان، يمكننا بناء نماذج ليست دقيقة فحسب، بل جديرة بالثقة أيضاً. وفي عالم مراقبة الأمراض عالي المخاطر، ربما تكون تلك الثقة هي التنبؤ الأكثر قيمة على الإطلاق.