TDA Engine v2.1: A Computational Framework for Detecting Structural Voids in Spatially Censored Epidemiological Data with Temporal Classification and Causal Inference

Der TDA Engine v2.1 ist ein topologisches Rechenframework, das mithilfe von DTM-Filterung, zeitlichen Klassifikatoren und kausaler Taxonomie strukturelle Datenlücken in zensierten epidemiologischen Daten erkennt, um zwischen zufälligen Schwankungen und systematischer Unterdrückung zu unterscheiden und so gezielte Felduntersuchungen zu ermöglichen.

Das Wesentliche

Der „TDA-Engine v2.1": Ein Detektiv für die Stille in Gesundheitsdaten

Stellen Sie sich vor, Sie schauen auf eine Landkarte, auf der alle Krankenhäuser und Gesundheitszentren in einer Region wie leuchtende Sterne markiert sind. Normalerweise schauen wir auf diese Karte, um zu sehen, wo die Sterne hell leuchten – also wo viele Menschen Hilfe bekommen. Aber was ist mit den dunklen Flecken dazwischen? Sind diese dunklen Flecken einfach nur Wüsten, in denen niemand wohnt? Oder sind sie „schwarze Löcher", in denen Menschen existieren, aber aus irgendeinem Grund keine Hilfe erhalten oder ihre Daten nicht gemeldet werden?

Das ist das Problem, das diese neue Studie („TDA Engine v2.1") lösen will. Der Autor, Grold Otieno Mboya, hat ein mathematisches Werkzeug entwickelt, das nicht nur nach den Sternen sucht, sondern gezielt nach den dunklen Flecken schaut, die verdächtig sind.

Hier ist die Erklärung in einfachen Bildern:

1. Das Problem: Die Lüge der Leere

Bisherige Methoden waren wie ein Maler, der versucht, ein Bild zu malen, indem er die leeren Stellen einfach mit grauer Farbe überstrich (Glättung). Sie sagten: „Hier ist wenig Farbe, also ist es wahrscheinlich ruhig." Das ist gefährlich. Denn eine leere Stelle kann bedeuten:

• Natürlich: Hier wohnt niemand (eine Wüste).
• Verdächtig: Hier wohnen viele Menschen, aber das System funktioniert nicht (keine Krankenhäuser, keine Daten).

Die alten Methoden konnten diesen Unterschied nicht mathematisch beweisen.

2. Die Lösung: Der „Abstandsmesser" (DTM)

Stellen Sie sich vor, Sie werfen einen Ball in einen Raum voller Menschen (die Gesundheitszentren).

• Wenn Sie in der Mitte stehen, ist der Ball schnell bei jemandem.
• Wenn Sie in einer leeren Ecke stehen, muss der Ball weit fliegen, bis er jemanden trifft.

Der neue Algorithmus nutzt eine Technik namens „Distance-to-Measure" (DTM). Er misst nicht nur, wie weit der nächste „Stern" ist, sondern berechnet den durchschnittlichen Abstand zu den nächsten Nachbarn.

• Der Clou: Er ist sehr robust. Selbst wenn ein paar Datenpunkte fehlen (wie wenn jemand den Ball versteckt), gibt der Algorithmus nicht auf. Er erkennt: „Aha, hier ist eine riesige Lücke, die zu groß ist, um zufällig zu sein."

3. Die drei neuen Superkräfte (Version 2.1)

Die alte Version konnte nur sagen: „Hier ist eine Lücke." Die neue Version 2.1 ist wie ein erfahrener Detektiv, der drei neue Fragen stellt:

A. Der Zeit-Checker (Ist das ein Dauerproblem?)

Manchmal ist eine Lücke nur vorübergehend (z. B. wegen eines Sturms oder eines Urlaubs). Manchmal ist sie dauerhaft.

• Die Analogie: Stellen Sie sich einen Wasserhahn vor.
  • Zufall (Stochastisch): Der Hahn tropft mal, mal nicht. Das ist normal.
  • Strukturell: Der Hahn ist seit Monaten komplett zu.
• Der Algorithmus nutzt eine Art „Zeit-Radar" (Hidden Markov Model), um zu prüfen: Bleibt diese Lücke über Monate hinweg bestehen? Wenn ja, ist es ein strukturelles Problem, das sofortige Hilfe braucht.

B. Der Ursachen-Detektiv (Warum ist die Lücke da?)

Sobald eine verdächtige Lücke gefunden ist, fragt der Algorithmus: „Was ist die wahrscheinlichste Ursache?" Er nutzt eine Art Entscheidungsbaum, um die Lücke in eine von fünf Kategorien zu stecken:

1. Grenze: Liegt die Lücke an einer Landesgrenze? (Vielleicht werden die Daten im Nachbarland gemeldet).
2. Zugang: Ist es ein unwegsames Gebiet ohne Straßen? (Die Menschen können nicht zum Arzt kommen).
3. Infrastruktur: Gibt es dort gar kein Krankenhaus? (Ein echter Mangel an Gebäuden).
4. System: Es gibt ein Krankenhaus, aber die Daten kommen nicht an. (Ein Bürokratie- oder IT-Problem).
5. Unbekannt: Wir wissen es nicht – hier muss ein Mensch vor Ort nachschauen.

C. Der Schweregrad-Messer (Wie schlimm ist es?)

Nicht jede Lücke ist gleich wichtig. Eine Lücke bei einer seltenen Krankheit ist weniger kritisch als eine bei Malaria.

• Der Algorithmus vergleicht die gemeldeten Fälle mit den Weltgesundheitsorganisation (WHO)-Standards.
• Er sagt: „In diesem Dorf müssten eigentlich 100 Malaria-Fälle gemeldet werden. Es wurden 0 gemeldet. Das ist eine Katastrophe."
• So können Behörden priorisieren: Wo muss zuerst hingefahren werden?

4. Der Beweis: Der Test im Labor

Um zu beweisen, dass das funktioniert, hat der Autor ein Experiment gemacht:

• Er nahm echte Daten aus Kenia.
• Er simulierte „Schweigen": Er löschte künstlich 80 % der Daten in einem bestimmten Gebiet, als wäre dort ein Systemausfall passiert.
• Das Ergebnis: Der TDA-Engine fand diese künstlichen Lücken mit einer Genauigkeit von 82 % (Jaccard-Index). Herkömmliche Methoden lagen nur bei 38–45 %.
• Er fand die Lücke auch genau: Der Fehler bei der Ortsbestimmung betrug nur etwa 340 Meter.

5. Was bedeutet das für die Welt?

Dieses Werkzeug ist wie ein Frühwarnsystem für das Gesundheitssystem.

• Es hilft Regierungen, nicht nur zu schauen, wo viele Menschen krank sind, sondern auch, wo niemand über Kranke berichtet.
• Es unterscheidet zwischen „Hier ist niemand" (Wüste) und „Hier ist niemand, der hilft" (Versorgungslücke).
• Es gibt den Behörden eine Checkliste: „Geh zu Punkt A, weil dort das System zusammengebrochen ist. Geh zu Punkt B, weil es dort einfach keine Straßen gibt."

Fazit

Die „TDA Engine v2.1" ist ein mathematischer Detektiv, der die Stille in den Daten hört. Sie sagt uns nicht nur, wo die Lücken sind, sondern auch, wie lange sie schon da sind, warum sie da sein könnten und wie dringend es ist, sie zu füllen.

Wichtig: Der Autor betont, dass das Werkzeug keine Beweise für Betrug liefert, sondern nur Hinweise gibt. Es ist wie ein Rauchmelder: Er sagt nicht, dass ein Feuer ausgebrochen ist, aber er sagt: „Hier riecht es nach Rauch – geh und schau nach!" Das ermöglicht es den Menschen, ihre Ressourcen dorthin zu schicken, wo sie am dringendsten gebraucht werden.

Technische Zusammenfassung

Technische Zusammenfassung: TDA Engine v2.1 – Ein Framework zur Detektion struktureller Lücken in zensierten epidemiologischen Daten

1. Problemstellung
In der öffentlichen Gesundheitsüberwachung ist das Fehlen von Daten („Silence") oft aussagekräftiger als die Daten selbst. Herkömmliche räumliche Epidemiologie-Tools (wie Kernel-Dichteschätzung, Voronoi-Diagramme oder SaTScan) sind darauf ausgelegt, das Vorhandensein von Fällen zu visualisieren oder Cluster von Exzessfällen zu finden. Sie scheitern jedoch daran, das Fehlen von Daten mathematisch rigoros zu definieren.

• Herausforderung: Es besteht eine Interpretationsambiguität: Bedeutet eine leere Region auf einer Karte eine gesunde Bevölkerung oder eine marginalisierte Gemeinschaft ohne Zugang zu Meldesystemen (strukturelle Unterdrückung)?
• Limitationen bestehender Methoden: Klassische Ansätze vermischen zufällige Spärlichkeit (stochastische Lücken) mit systematischer Unterdrückung, sind anfällig für Randeffekte („Edge Effects") und nutzen oft willkürliche Schwellenwerte.

2. Methodik
Die Autoren stellen einen topologischen Ansatz vor, der auf Topological Data Analysis (TDA) basiert, speziell auf der Distance-to-Measure (DTM)-Filtration. Das Framework, TDA Engine v2.1, geht über reine Geometrie hinaus und integriert zeitliche Klassifikation und kausale Inferenz.

• Geometrische Grundlage (DTM):

  • Gesundheitsstandorte werden als Punktwolke behandelt. Anstatt den Abstand zum nächsten Nachbarn (empfindlich gegenüber Ausreißern/Zensur) zu nutzen, wird die DTM-Funktion $d_{m_0}(x)$ verwendet.
  • Diese berechnet den quadratischen Mittelwert der Abstände zu den $k$ nächsten Nachbarn, wobei $k = \lceil m_0 \cdot n \rceil$. Der Parameter $m_0 = 0.05$ (5 % der Datenmasse) macht die Metrik robust gegenüber bis zu 5 % Ausreißern.
  • Die Daten werden von WGS84 in UTM Zone 36S projiziert, um metrische Distanzen in Metern zu gewährleisten.

• Adaptive Schwellenwertbestimmung (Kneedle-Algorithmus):

  • Statt willkürlicher Konstanten (z. B. 1,5-facher Median) wird der Schwellenwert $T_{adaptive}$ geometrisch aus der DTM-Verteilung abgeleitet.
  • Der Kneedle-Algorithmus identifiziert den „Ellenbogen"-Punkt (Maximum der Krümmung) in der sortierten DTM-Werteverteilung. Dies markiert den Punkt, an dem die Wachstumsrate der Distanzen am stärksten beschleunigt, was auf eine echte Lücke im Datenraum hinweist.

• Statistische Signifikanz:

  • Ein Monte-Carlo-Permutationstest unter der Nullhypothese der vollständigen räumlichen Zufälligkeit (CSR) wird durchgeführt.
  • Als Teststatistik dient die Gesamtfläche der Lücken (statt des instabilen Maximums der DTM), was robustere p-Werte und Konfidenzintervalle ermöglicht.

• Erweiterungen in Version 2.1:

  1. Zeitliche Klassifikation: Unterscheidung zwischen persistierenden (strukturellen) und zufälligen (stochastischen) Lücken über mehrere Berichtsperioden.
     • Kombination aus Fano-Faktor (Dispersion der O/E-Raten) und einem Two-State Hidden Markov Model (HMM) (Baum-Welch-Algorithmus + Viterbi-Decoding).
     • Labels: STRUCTURAL (persistente Stille), INTERMITTENT, STOCHASTIC.
  2. Kausale Taxonomie: Ein Entscheidungsbaum klassifiziert Lücken basierend auf Kovariaten (Straßendichte, Facility-Dichte, Grenznähe, O/E-Rate) in fünf Kategorien: BORDER, ACCESS, INFRASTRUCTURE, SYSTEM, UNKNOWN. Dies liefert handlungsrelevante Hinweise für Felduntersuchungen.
  3. O/E-Vollständigkeits-Engine: Berechnung des Verhältnisses von beobachteten zu erwarteten Fällen (basierend auf WHO-Inzidenzraten für 7 Krankheiten, z. B. Malaria, HIV, Cholera). Dies ermöglicht eine Schweregrad-Triage unabhängig von rohen Fallzahlen.

3. Validierung und Ergebnisse
Das Framework wurde mit öffentlichen Daten von Gesundheitsstandorten in Kenia (Nyanza-Region) validiert, wobei ein Censoring-Simulationsframework verwendet wurde (80 % der Punkte in simulierten Unterdrückungszonen wurden entfernt, um den „Ground Truth" zu kennen).

• Räumliche Genauigkeit:
  • Jaccard-Index: 0,82 (95 % KI: 0,74–0,89) für TDA Engine. Dies ist signifikant besser als bei KDE (0,45) und relativen Risikoflächen (0,38).
  • Centroid-Fehler: 342 m (IQR: 187–512 m), was eine präzise Lokalisierung der Lückenmitte demonstriert.
  • Wiederherstellungsrate (Recovery Rate): 0,79.
• Statistische Signifikanz: Der Permutationstest ergab einen p-Wert von 0,003 (95 % KI: 0,001–0,008), was die Signifikanz der detektierten Lücken über dem Zufallsniveau bestätigt.
• Zeitliche Klassifikation: Die HMM-basierte Klassifikation erreichte eine Genauigkeit von 91 % bei der Unterscheidung zwischen strukturellen und stochastischen Lücken.
• Kausale Klassifikation: Eine Genauigkeit von 78 % (Kappa = 0,71) bei der Zuordnung zu den fünf kausalen Klassen.
• Stabilität: Die Analyse zeigte, dass der Parameter $m_0 = 0,05$ in einem stabilen Plateau ($[0,03, 0,07]$) liegt, was die Robustheit des Ansatzes gegenüber Parameter-Tuning beweist.

4. Fallstudie: Nyanza-Becken
Auf die vollständige Datensatzmenge (N = 623 Einrichtungen) angewendet, identifizierte das System:

• 3 strukturelle Lücken in peri-urbanen Korridoren (hohe Bevölkerungsdichte, aber keine Einrichtungen im Umkreis von 5 km), klassifiziert als INFRASTRUCTURE und ACCESS.
• 5 stochastische Lücken in Seen und Schutzgebieten (natürlich unbewohnt).
• Die zeitliche Analyse bestätigte, dass die strukturellen Lücken persistent waren ($P_{structural} > 0,75$).

5. Bedeutung und Schlussfolgerung
Der TDA Engine v2.1 stellt einen Paradigmenwechsel dar: von der dichte-basierten Glättung hin zur geometrie-basierten Inferenz.

• Wissenschaftlicher Beitrag: Er bietet ein mathematisch rigoroses, open-source (R/Shiny) Framework, das nicht nur Lücken findet, sondern deren Persistenz und wahrscheinliche Ursache klassifiziert.
• Praktische Relevanz: Gesundheitsbehörden können Ressourcen gezielt einsetzen, um Felduntersuchungen in Regionen durchzuführen, die als „strukturelle Lücken" mit hoher Wahrscheinlichkeit für Unterdrückung oder Systemversagen identifiziert wurden, anstatt sich auf reine Fallzahlen zu verlassen.
• Ethische Einschränkung: Das System identifiziert geometrische Anomalien, die mit Unterdrückung konsistent sind, liefert aber keinen direkten Beweis. Die Interpretation erfordert kontextuelle Validierung (z. B. Bevölkerungsdichte, Satellitenbilder), um Fehlalarme bei unbewohnten Gebieten zu vermeiden.

Das Framework ist als Open-Source-Software verfügbar und integriert sich potenziell in bestehende Überwachungssysteme wie DHIS2, um Echtzeit-Intelligenz für die öffentliche Gesundheit zu liefern.