Evaluation of Deep Learning Based Early Warning Indicators of Epidemic Outbreaks

ملخص تقني: تقييم مؤشرات الإنذار المبكر القائمة على التعلم العميق لتفشي الأوبئة

بيان المشكلة
في الأنظمة الوبائية، يعد اكتشاف "التحولات الحرجة" (critical transitions) أو التفرعات (bifurcations) — وتحديداً النقطة التي يتجاوز فيها رقم التكاثر الأساسي ($R_0$) القيمة 1، مما ينقل المرض من حالة الانقراض إلى حالة الاستمرار — أمراً حيوياً للاستعداد لتفشي الأوبئة. وبينما يمكن للمؤشرات الإحصائية التقليدية (مثل الارتباط الذاتي من الدرجة الأولى، والتباين) أن تشير إلى التباطؤ الحرج (CSD) بالقرب من هذه التحولات، إلا أنها تفشل عموماً في التنبؤ بالحالات المستقبلية أو تصنيف نوع التفرع المحدد (مثل التفرع الطي، أو هوب، أو التفرع الانتقالي).

أظهرت نهج التعلم العميق (DL) الحديثة، مثل تلك التي طورها بوري وآخرون (والتي تم تدريبها على معادلات تفاضلية عادية (ODEs) عامة) وتشاكرابورتي/ميري (التي تم تدريبها على محاكاة عشوائية قائمة على نموذج SIR)، واعداً في اكتشاف وتصنيف التفرعات. ومع ذلك، تواجه هذه النماذج قيوداً كبيرة عند تطبيقها على بيانات العالم الحقيقي:

1. فجوة التعميم: النماذج المدربة على نماذج رياضية عامة أو تكوينات ضوضائية محددة غالباً ما تفشل في اكتشاف التفرعات في بيانات الأوبئة الواقعية التي تتميز بمستويات ضوضاء متفاوتة وعوامل ديموغرافية.
2. الافتقار إلى التقييم الصارم: لم يكن هناك تقييم منهجي لهذه النماذج المدربة مسبقاً على بيانات المراقحة الفعلية على مستوى الولايات والتي تغطي مناطق جغرافية متعددة.
3. عدم اليقين التشغيلي: لا يزال من غير الواضح كيف تؤدي هذه النماذج أداءها تحت استراتيجيات تدوين البيانات (windowing strategies) المختلفة المطلوبة للتنبؤ عبر الإنترنت وفي الوقت الفعلي.

المنهجية
قام المؤلفون بتطوير مسار شامل لتقييم نماذج التنبؤ بالتفرع المدربة مسبقاً باستخدام التعلم العميق على مجموعة بيانات منسقة من قبل مركز السيطرة على الأمراض (CDC) تتعلق بحالات دخول المستشفيات بسبب الإنفلونزا أسبوعياً في جميع الولايات الخمسين الأمريكية، وواشنطن العاصمة، والمجمعات الوطنية (يوليو 2022 – أوائل 2025).

• إعداد البيانات:
  • المعالجة المسبقة: لمطابقة متطلبات التدريب لنماذج بوري وآخرون، طبق المؤلفون مسار معالجة مسبقة صارم: (1) إزالة الاتجاه (Detrending) باستخدام مرشح Lowess (بمدى 0.2) لإزالة الاتجاهات البطيئة مع الحفاظ على هياكل التقلب؛ (2) التطبيع (Normalization) عن طريق قسمة البواقي على القيمة المطلقة لمتوسط مجموعة البيانات.
  • تحديد الحقيقة الأرضية (Ground Truth): نظراً لعدم توفر بيانات فترات زمنية متسقة لتقدير $R_t$ على مستوى الولايات، تم تحديد نقاط التفرع للحقيقة الأرضية على المستوى الوطني باستخدام حزمة EpyEstim (نهج معادلة التجديد البايزي). بالنسبة للتقييم على مستوى الولايات، تم تحديد فترتين يدويتين للتفرع بناءً على الاتجاهات الوطنية: الفترة (أ) (t=108–118) والفترة (ب) (t=127–140).
• النماذج التي تم تقييمها:
  • بوري وآخرون (2021): بنية CNN-LSTM مدربة على 500,000 سلسلة زمنية من المعادلات التفاضلية العادية (ODEs) العامة التي تظهر تفرعات من نوع (fold, Hopf, and transcritical).
  • تشاكرابورتي/ميري (2024–2025): نماذج أعيد تدريبها على محاكاة عشوائية قائمة على نموذج SIR تتضمن ضوضاء بيضاء مضافة، وضوضاء بيئية متعددة، وضوضاء ديموغرافية.
• استراتيجيات التدوين (Windowing Strategies): قيمت الدراسة بشكل منهجي كيفية أداء النماذج تحت استراتيجيات بناء الموتر (tensor) المدخل المختلف للعمل عبر الإنترنت:
  • النافذة المتدحرجة (Rolling Window - Last 100): الطريقة الأصلية التي تستخدم آخر 100 نقطة فقط.
  • النافذة المتوسعة (Expanding Window): تنمو النافذة من بداية السلسلة حتى النقطة الحالية (بحد أقصى 100).
  • النافذة المتحركة ثابتة الطول (Fixed-Length Moving Window): نافذة منزلقة مكونة من 100 نقطة عبر السلسلة بأكملها.
  • النافذة المتدحرجة الأقصر (Shorter Rolling Window): طولها 50 مع حشو صفري (zero-padding).
  • مدخلات التفرع المتعدد (Multi-Bifurcation Input): تغذية النوافذ التي تشمل نقاط تفرع متعددة.

النتائج الرئيسية
كشف التقييم أن أداء النموذج يعتمد بشدة على استراتيجية التدوين ونوع التفرع المحدد.

• مقاييس الأداء: حققت استراتيجية النافذة المتوسعة (التي تحتفظ بالسياق التاريخي الكامل للسلسلة حتى الوقت الحالي، بحد أقصى 100 نقطة) أفضل أداء عبر جميع المقاييس:
  • الدقة (Accuracy): 90.09%
  • الضبط (Precision): 72.86%
  • الاستدعاء (Recall): 96.23%
  • مقياس F1 (F1 Score): 82.93%
  • النوعية (Specificity): 88.05%
• مقارنة الاستراتيجيات:
  • حققت النافذة المتدحرجة الأصلية (آخر 100 نقطة) دقة أقل بكثير (63.48%) وضبطاً أقل (17.35%).
  • الاستراتيجيات التي عرضت النموذج لنقاط تفرع متعددة ضمن موتر مدخل واحد أدت عموماً إلى انخفاض الدقة للفترات الفردية، لكنها لم تضعف بالضرورة الأداء الإجمالي إذا تمت تغطية نقطة التفرع الأولى بشكل كافٍ.
• التباين بين الفترات: أظهرت النماذج اتساقاً عالياً في اكتشاف التفرع الرئيسي الأول (الفترة أ)، بمعدلات إيجابية حقيقية بلغت 51/53 موقعاً. انخفض الأداء في الفترة ب (34/53 موقعاً)، ويرجع ذلك على الأرجح إلى أن توقيت الموجة الثانية اختلف بشكل كبير حسب الولاية، مما جعل من الصعب تحديد نافذة تقييم واحدة تشمل جميع القمم دون أن تكون واسعة جداً. عملت النماذج بشكل أفضل عندما كانت ديناميكيات العالم الحقيقي تشبه توزيع بيانات التدريب بشكل وثيق.

الأهمية والادعاءات
يزعم البحث أن نماذج التعلم العميق المدربة مسبقاً لاكتشاف التفرع يمكنها التعميم على بيانات الإنفلونزا الواقعية على مستوى الولايات وهي قادرة على التنبؤ عبر الإنترنت/في الوقت الفعلي، بشرما تم تحسين استراتيجية تدوين المدخلات.

• الأهمية السياقية: توضح الدراسة أن الاحتفاظ بالسياق الزمني الكامل للسلسلة (عبر نافذة متوسعة) يتفوق على استخدام أحدث نقاط البيانات فقط، مما يشير إلى أن "ذاكرة" اقتراب النظام من نقطة التغيير هي أمر بالغ الأهمية لقدرات التعرف لدى النموذج.
• الصلاحية التشغيلية: تشير النتائج إلى أن هذه النماذج صالحة للتطبيق في المراقبة الواقعية، رغم أن المؤلفين أشاروا إلى أن قيم الضبط في بعض التكوينات كانت مدفوعة بالنتائج الإيجابية الكاذبة، مما يشير إلى الحاجة إلى ضبط العتبة (threshold tuning) عند النشر التشغيلي.
• الأطر البديلة: يناقش البحث باختصار نماذج تبديل النظام الماركوفي (MRS) كإطار عمل واعد لاكتشاف التحولات الوبائية، وإن كان التقييم المقارن الكامل متروكاً للعمل المستقبلي.

يخلص المؤلفون إلى أنه بينما تبدو هذه النماذج واعدة، فإن دقتها تعتمد على مدى تشابه ديناميكيات التفرع في العالم الحقيقي مع بيانات التدريب، وأن الاختيار الدقيق لاستراتيجية تدوين نافذة المدخلات ضروري لتعظيم أداء الكشف.