Probabilistic forecasting of prefecture-level influenza in Japan accounting for surveillance data release histories
تقيم هذه الدراسة التوقعات الاحتمالية قصيرة المدى للإنفلونزا على مستوى المحافظات في اليابان باستخدام نماذج تأخذ في الاعتبار سجلات إصدار بيانات المراقبة، وتجد أنه بينما تتفوق النماذج المشتركة على النماذج المرجعية للاستمرارية، إلا أن هناك حاجة إلى مزيد من التحقق الاستباقي قبل أن تتمكن من دعم اتخاذ القرارات المتعلقة بالصحة العامة بشكل موثوق بسبب التحديات المتعلقة بفترة المهلة في الوقت الفعلي، وكشف العتبة، والتغيرات في النظام.
لا يحتاج مسؤولو الصحة العامة فحسب إلى معرفة عدد الأشخاص المرضى اليوم؛ بل يحتاجون إلى معرفة عدد الذين سيكونون مرضى في الأسبوع المقبل، ومدى قدرتهم على التأكد من ذلك الرقم. فعندما ينتشر الإنفلونزا، غالباً ما يكمن الفرق بين موجة يمكن السيطرة عليها ونظام مستشفيات مثقل بالأعباء في عامل التوقيت. وللتحضير لذلك، تعتمد دوائر الصحة على أنظمة مراقبة تتبع زيارات الأطباء ونتائج الفحوصات، لكن هذه التقارير ليست مثالية أبداً؛ فهي تصل بتأخير، وغالباً ما تتغير الأرقام مع جمع المزيد من البيانات أو إجراء التصحيحات. إن التوقع الذي يبدو دقيقاً على شاشة الكمبيوتر قد يفشل في العالم الحقيقي إذا افترض أن المسؤولين يمتلكون معلومات لا يملكونها بالفعل في ذلك الوقت. والهدف من التنبؤ الحديث ليس مجرد توقع رقم واحد، بل تقديم نطاق من الاحتمالات يعكس هذا اليقين بصدق، مما يسمح للقادة برؤية ما إذا كان هناك ارتفاع خطير قادم قبل وقوعه.
وفي دراسة حديثة ركزت على اليابان، سعى باحثون لاختبار ما إذا كانت النماذج الحاسوبية المتقدمة يمكنها التنبؤ بانتشار الإنفلونزا عبر محافظات اليابان الـ 47 مع احترام حالات التأخير وتعديلات البيانات في العالم الحقيقي. نظر الفريق، بقيادة روتارو ناكاغاوا ونامي يامامورا، في ستة مواسم سابقة للإنفلونزا لبناء نماذجهم وتحسينها، ثم اختبروها مقابل موسم 2025/26. وقارنوا بين ثلاثة نهج مختلفة: نموذج يفترض ببساطة أن الأسبوع القادم سيكون مشابهاً للأسبوع الحالي، ونموذج يتعلم من البيانات عبر جميع المحافظات في وقت واحد، ونموذج أكثر تعقيداً يجمع بين هذين الأسلوبين مع استقاء بيانات من دول أخرى وأنواع مختلفة من التقارير الصحية. وقد كان الباحثون حريصين على محاكاة الظروف الماضية بدقة، لضمان أنه عند وضع تنبؤ لأسبوع معين، فإنهم يستخدمون فقط البيانات التي كانت متاحة بالفعل في تلك اللحظة، متجاهلين أي تصحيحات أو تحديثات لاحقة.
وأظهرت النتائج أن النماذج الأكثر تعقيداً كانت بالفعل أفضل من الافتراض البسيط بأن الأمور ستظل كما هي. وعندما قاس الباحثون دقة تنبؤاتهم، كان النموذج المدمج أكثر دقة بنسبة تتراوح بين 16 إلى 21 بالمائة من النهج البسيط عبر الأسابعة الأربعة التي تم اختبارها. وقد جاء هذا التحسن من قدرة النموذج على مشاركة المعلومات بين المناطق المختلفة والتعلم من مجموعة متنوعة من المؤشرات الصحية. ومع ذلك، كشفت الدراسة أيضاً أن هذه الميزة لم تكن واضحة تماماً كما بدا في البداية؛ فعندما نظر الباحثون في الأرقام الخام دون تعديلات رياضية، كان الفرق بين النموذج المدمج الأفضل والنموذج الإقليمي الأبسط صغيراً وغير مؤكد إحصائياً. وفي بعض الحالات المحددة، مثل عندما بدأت حالات الإنفلونزا في الارتفاع من مستويات منخفضة جداً، كان النموذج المعقد يؤدي في الواقع بشكل أسوأ من النموذج الأبسط، حيث فشل في رصد الاتجاه التصاعدي المبكر بالسرعة المطلوبة.
وكان أحد النتائج الحاسمة في الدراسة هو أن النماذج واجهت صعوبة في التنبؤ بالحدود العليا الدقيقة لتفشي المرض أثناء النمو السريع. وبينما كانت النماذج جيدة بشكل عام في تخمين منتصف النطاق، إلا أنها أخطأت أحياناً في تقدير مدى ارتفاع الأرقام عندما كان الفيروس ينتشر بسرعة. وهذه مشكلة كبيرة للصحة العامة، لأن الخطأ في تقدير ذروة التفشي بهامش ضئيل يمكن أن يعني الفرق بين امتلاك عدد كافٍ من الأسرة في المستشفيات وبين نفادها. وأشار الباحثون أيضاً إلى أن اليابان غيرت نظام المراقبة الخاص بها مؤخراً، مما يعني أن عتبات التحذير القديمة المستخدمة لإطلاق التنبيهات لم تعد قابلة للمقارنة مباشرة مع البيانات الجديدة. وبسبب هذا، ولأن النماذج أخطأت أحياناً في رصد العلامات المبكرة للارتفاع، حذر المؤلفون من أن هذه التوقعات ليست جاهزة بعد لتكون الأساس الوحيد لإصدار التحذيرات الرسمية أو التخطيط لزيادة أعداد المرضى في العيادات.
وتخلص الدراسة إلى أنه على الرغم من أن مشاركة المعلومات عبر المناطق تساعد في تحسين التوقعات، إلا أن الأدلة الحالية ليست قوية بما يكفي للقول بأن هذه النماذج موثوقة تماماً لاتخاذ القرارات عالية المخاطر. ويؤكد الباحثون أنه قبل إمكانية الوثوق بهذه الأدوات لتوجيه إجراءات الصحة العامة، يجب اختبارها بطريقة صارمة وتطلعية حيث تكون توافرية البيانات ثابتة مسبقاً ولا يتم تعديل النماذج بناءً على ما حدث بالفعل. وإلى أن يثبت اختبار مستقبلي قدرة هذه النماذج على رصد الاتجاهات الصاعدة مبكراً وتقديم تحذيرات دقيقة دون إنذارات كاذبة، ينبغي لمسؤولي الصحة النظر إليها كأدوات مفيدة لفهم الوضع بدلاً من كونها أدلة حاسمة للعمل. ويتطلب المسار نحو الأمام ما هو أكثر من مجرد خوارزميات أفضل؛ فهو يتطلب عملية صارمة تأخذ في الاعتبار الواقع الفوضوي لكيفية جمع البيانات وتأخرها ومراجعتها في العالم الحقيقي.
ملخص تقني: التنبؤ الاحتمالي للإنفلونزا على مستوى المحافظات في اليابان مع مراعاة سجلات إصدار بيانات المراقبة
بيان المشكلة تتطلب العمليات المتعلقة بالصحة العامة فيما يخص الإنفلونزا — وتحديداً الوعي بالمواقف، والتخطيط لزيادة العبء السريري، وإصدار التنبيهات — ما هو أكثر من مجرد تقديرات نقطية دقيقة لأعداد الحالات المستقبلية. فالمنفعة التشغيلية تعتمد على تحديد اتجاه التغيير بشكل صحيح، والكشف عن الارتفاعات من المستويات المنخفضة في وقت مبكر، والتنبؤ بموعد تجاوز عتبات التنبيه، كل ذلك مع التحديد الصريح لعدم اليقين. ويتمثل التحدي الحاسم في هذا المجال في أن بيانات المراقبة المتاحة وقت التنبؤ غالباً ما تختلف عن البيانات التي يتم استردادها لاحقاً بسبب تأخيرات الإبلاغ والمراجعات اللاحقة. إن التقييمات القائمة على البيانات التي تم تنسيقها لاحقاً قد تؤدي دون قصد إلى افتراض وجود معلومات لم تكن متاحة في الوقت الفعلي، مما يؤدي إلى تقييمات متفائلة للغاية بشأن أداء التنبؤ. علاوة على ذلك، تفشل النماذج الحالية غالباً في مراعاة سجل إصدار البيانات الخاص بنظام المراقبة في اليابان، حيث تُنشر التقارير الأسبوعية المؤقتة دون أن تحتوي على بيانات الأسابيع السابقة، وحيث تؤدي التغييرات الهيكلية (مثل تحديث نظام المراقبة لعام 2025) إلى تغيير خطوط الأساس للإبلاغ.
المنهجية أجرى البحث تقييماً استرجاعياً للتنبؤات الاحتمالية قصيرة المدى لعدد تقارير الإنفلونزا لكل موقع مراقبة عبر محافظات اليابان الـ 47. كان المتغير المستهدف هو القيمة للأسبوع t+h (حيث h=1,2,3,4) بالنسبة لأحدث أسبوع تم رصده في الأسبوع t.
معالجة البيانات: أعاد المؤلفون بناء ظروف البيانات التاريخية لاحترام "سجل الإصدار". استخدمت السلسلة المستهدفة أول قيمة منشورة لكل أسبوع من تقرير الأمراض المعدية الأسبوعي (IDWR). وعلى عكس السلسلة المستهدفة، عُوملت بعض السلاسل المساعدة كبيانات مستردة، والتي قد تتضمن مراجعات لاحقة. ميزت الدراسة صراحةً بين الأسبوع المرصود، وتاريخ الإصدار، وتاريخ الاسترداد، وإصدار القيم المستخدم في تسجيل النقاط.
النماذج المقارنة:
تنبؤ الاستمرارية (Persistence Forecast): نموذج أساس احتمالي يستخدم أحدث قيمة مرصودة مع فترات مستمدة من الأخطاء الماضية، مصححة حسب المستوى الحالي والاتجاه.
انحدار ريدج (Ridge Regression): نموذج يجمع البيانات عبر جميع محافظات اليابان الـ 47، ويتنبأ بالتغيرات اللوغاريتمية باستخدام متغيرات تشمل المستويات المحلية، والاتجاهات الأخيرة، والاتجاهات الوطنية/المجاورة، والموسمية، والعطلات.
انحدار الكمات لتعزيز التدرج (GBQR): نموذج يتعلم من الأمثلة المجمعة عبر المناطق وسلاسل مراقبة متعددة (بما في ذلك 77 سلسلة مساعدة مثل US ILINet، وWHO FluNet، وغيرها من المراقبات الوطنية).
نموذج الدمج (Combination Model): متوسط متساوٍ الأوزان لتنبؤات "ريدج" و"GBQR" على المقياس اللوغاريتمي.
فترة التقييم: استُخدمت ستة مواسم (من 2017/18 إلى 2024/25) للتطوير. وكان موسم 2025/26 بمثابة فترة تقييم زمنية بمواصفات ثابتة، رغم أنه لم يكن اختباراً استشرافياً مستقلاً تماماً لأن ملفه الوبائي كان معروفاً جزئياً.
المقاييس: تم تسجيل درجات التنبؤات باستخدام درجة الفاصل الزمني الموزونة (WIS) على كل من المقاييس الأصلية واللوغاريتمية. شملت المقاييس الإضافية تغطية فترات التنبؤ (80% و95%)، والاتفاق في اتجاه التغيير، والتمييز في تجاوز العتبة.
النتائج الرئيسية
الأداء العام: في موسم 2025/26، تفوق النموذج المدمج على تنبؤ الاستمرارية، محققاً قيم WIS نسبية بلغت 0.841 و0.811 و0.794 و0.818 عند الآفاق من 1 إلى 4 (ما يمثل تحسناً بنسبة 16-21% عن الاستمرارية).
مقارنة النماذج: بينما أظهر النموذج المدمج WIS أقل من انحدار "ريدج" وحده، إلا أن الفرق على المقياس الأصلي لم يكن ذا دلالة إحصائية (فترات الثقة 95% شملت الصفر). وعلى المقياس اللوغاريتمي، أظهر النموذج المدمج تحسينات ذات دلالة إحصائية مقارنة بـ "ريدج" في فترة التطوير، لكن هذا لم يترجم بالكامل إلى المقياس الأصلي في فترة التقييم.
البيانات المساعدة: أدت إضافة سلاسل المراقبة المساعدة إلى تحسين نموذج GBQR خلال فترة التطوير. ومع ذلك، لم يكن من الممكن عزل المساهمة السببية المحددة لكل مصدر بيانات بسبب التغيرات المتزامنة في أمثلة التدريب، والدول، وأنواع المؤشرات.
تغطية الفترات: انخفضت تغطية فترات التنبؤ للفترات 80% و95% عموماً عن المستويات الاسمية عند الآفاق الطويلة (على سبيل المثال، 75.1% و91.8% للفترات 80% و95% عند h=4).
نقاط الضعف المرتبطة بالمرحلة: في مراحل الارتفاع السريع بدءاً من مستويات منخفضة (ما قبل بدء الوباء)، كان أداء النموذج المدمج أسوأ من نموذج "ريدج" على المقياس الأصلي. على سبيل المثال، عند الأفق h=3 في مراحل الارتفاع ذات النشاط المنخفض، حقق نموذج "ريدج" قيمة WIS نسبية قدرها 0.683 مقارنة بـ 0.801 للنموذج المدمج. يشير هذا إلى أن الأداء المتوسط العام يمكن أن يحجب حالات الفشل في سيناريوهات اتخاذ القرار الحرجة.
الأهمية والادعاءات يزعم البحث أن مساهمته الأساسية ليست خوارزمية جديدة، بل هي فحص دقيق ومشترك لسجل الإصدار، والتعلم عبر المناطق، وتكامل السلاسل المساعدة ضمن السياق المحدد للمراقبة في اليابان.
الواقع التشغيلي: يؤكد المؤلفون أن التحسن الطفيف في الدرجة الإجمالية (WIS) لا يبرر تلقائياً التعقيد التشغيلي لاعتماد نموذج أكثر تعقيداً. بالنسبة للصحة العامة، العوامل الحاسمة هي وقت المهلة الحقيقي (مع مراعاة تأخيرات الإبلاغ)، والقدرة على اكتشاف الارتفاعات من المستويات المنخفضة، وموثوقية الفترات التنبؤية العليا.
محدودية الأدلة الحالية: خلصت الدراسة إلى أن الأدلة الحالية غير كافية لدعم استخدام هذه التنبؤات لإصدار التنبيهات أو التخطيط. وتشمل العوائق الرئيسية ضعف تغطية الفترات أثناء الارتفاعات السريعة، وتغيير نظام المراقلة في 2025 الذي يجعل عتبات ما قبل التغيير غير قابلة للمقارنة، والطبيعة الاسترجاعية للتقييم.
المتطلبات المستقبلية: يؤكد المؤلفون أنه قبل إمكانية استخدام هذه التنبؤات لدعم القرار، يلزم إجراء تقييم استشرافي منضبط بدقة. يجب أن يحدد هذا التقييد المستقبلي مواصفات النموذج وقواعد توفر البيانات مسبقاً، ويحفظ التنبؤات مع طوابع زمن الإصدار، ويختبر الأداء بصرامة عبر أشكال الأوبئة المختلفة، لا سيما فيما يتعلق بالاكتشاف المبكر وتجاوز العتبة.
تحافظ الورقة على موقف متواضع، مشيرة إلى أنه على الرغم من تفوق نماذج التجميع عبر المناطق على نموذج الاستمرارية البسيط، إلا أن الفوائد المحددة لدمج النماذج والبيانات المساعدة تظل غير مؤكدة لاتخاذ القرار التشغيلي في العالم الحقيقي دون مزيد من التقييم الاستشرافي.