Multi-model forecasting of respiratory disease activity in Germany during the 2024-2025 season
Diese Arbeit präsentiert und evaluiert ein kollaboratives Multi-Modell-Prognosesystem für Atemwegserkrankungen in Deutschland während der Saison 2024–2025 und zeigt auf, dass Ensemble-Nowcasts und -Prognosen zwar im Allgemeinen gut kalibriert waren und Benchmarks übertrafen, die genaue Vorhersage von Zeitpunkt und Ausmaß des Höhepunkts jedoch eine Herausforderung blieb.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Jeden Herbst und Winter kehrt ein vertrauter Zyklus zurück: Atemwegserkrankungen ziehen durch die Gemeinschaften und füllen Kliniken und Krankenhäuser mit Menschen, die mit Atembeschwerden kämpfen. Für die Verantwortlichen im öffentlichen Gesundheitswesen besteht die Herausforderung nicht nur darin, die Kranken zu behandeln, sondern den Rhythmus dieser Ausbrüche zu verstehen, während sie geschehen. Sie müssen wissen, wie viele Menschen in der nächsten Woche betroffen sein werden, wann der Höhepunkt der Saison eintreten wird und wie schwerwiegend er sein wird. Um diese Fragen zu beantworten, nutzen Wissenschaftler mathematische Modelle – Werkzeuge, die aktuelle Daten über Infektionen nehmen und diese in die Zukunft projizieren. Diese Prognosen helfen Krankenhäusern, Betten vorzubereiten, unterstützen Impfkampagnen und informieren die Öffentlichkeit. Die Vorhersage der Zukunft eines Virus ist jedoch notorisch schwierig, insbesondere wenn die Daten selbst unordentlich sind, verspätet eintreffen oder sich ändern, während mehr Informationen gesammelt werden.
In der Saison 2024–2025 setzte sich ein Forscherteam in Deutschland zum Ziel, zu testen, wie gut eine Gruppe verschiedener Prognosemodelle zusammenarbeiten kann, um diese Atemwegswellen zu verfolgen. Sie konzentrierten sich auf zwei Hauptdatentypen: Besuche bei Hausärzten aufgrund akuter Atemwegsinfektionen, die die breite, alltägliche Erkrankung repräsentieren, und Krankenhausaufenthalte bei schweren Fällen, die die kritischste Belastung für das Gesundheitssystem darstellen. Sie verfolgten auch bestätigte Fälle von saisonaler Influenza und dem Respiratorischen Syncytial-Virus (RSV). Das Team betrieb eine kollaborative Plattform, auf der fünf unabhängige Forschungsgruppen jede Woche ihre Vorhersagen einreichten. Das Ziel war es zu sehen, ob die Kombination dieser verschiedenen Modelle zu einer einzigen, kollektiven Prognose ein klareres Bild liefern würde als ein einzelnes Modell für sich allein, und um zu sehen, wie gut sie mit den unvermeidlichen Verzögerungen und Korrekturen in den Daten umgehen könnten.
Die Forscher fanden heraus, dass das System gut darin funktionierte, die Gegenwart einzuholen. Wenn die Daten für eine bestimmte Woche unvollständig waren, weil noch Berichte eintrafen, schätzten die Modelle die tatsächlichen Zahlen erfolgreich, ein Prozess, der als Nowcasting bekannt ist. Diese Schätzungen waren im Allgemeinen zuverlässig, wenngleich die Modelle während der Weihnachts- und Neujahrsfeiertage leicht strauchelten. Während dieser Pause änderte sich das übliche Meldemuster, was dazu führte, dass einige Modelle in den Wochen unmittelbar nach den Feiertagen die Anzahl der Infektionen vorübergehend überschätzten. Sobald die Teams diese saisonale Störung anpassten, kehrten die Schätzungen zu einer normalen Genauigkeit zurück.
Wenn es darum ging, in die Zukunft zu blicken, schnitten die Modelle besser ab als einfache Vermutungen basierend auf den Zahlen der Vorwoche, standen jedoch vor erheblichen Herausforderungen bei der Vorhersage des exakten Zeitpunkts und der Höhe des Höhepunkts. Die meisten Modelle identifizierten korrekt, dass die Saison steigen und wieder abfallen würde, sagten jedoch konsistent voraus, dass der Höhepunkt zu früh eintreten und nicht so hoch ausfallen würde, wie er tatsächlich ausfiel. Beispielsweise erreichten die schweren Krankenhausaufenthalte ihren Höhepunkt Mitte Februar, während viele Modelle suggerierten, dass der Wendepunkt bereits Ende Januar eintreten würde. Diese Tendenz, die Kurve früher abflachen zu sehen, als es die Realität war, bedeutete, dass die Prognosen oft zu vorsichtig hinsichtlich der Schwere der kommenden Wochen waren.
Trotz dieser Schwierigkeiten mit dem Höhepunkt erwies sich die kombinierte Prognose aller Modelle als einer der stärksten verfügbaren Ansätze. Sie war nicht konsistent besser als jedes einzelne Modell, bot aber eine robuste und gut kalibrierte Sicht auf die Situation. Die Studie hob auch den Wert hervor, verschiedene Altersgruppen separat zu betrachten. Da Atemwegswellen oft jüngere und ältere Bevölkerungsgruppen zu unterschiedlichen Zeiten treffen, ermöglichte die Aufschlüsselung der Daten nach Alter den Modellen, Muster zu erkennen, die beim Blick auf die Gesamtzahlen unsichtbar blieben. Dieser stratifizierte Ansatz zeigte statistisch signifikante Verbesserungen der Genauigkeit auf, die verloren gingen, wenn man nur die gesamte Bevölkerung betrachtete.
Das Projekt diente auch als Test dafür, wie wissenschaftliche Zusammenarbeit nach dem intensiven Druck der Pandemie funktioniert. Das Team stellte fest, dass es schwieriger als erwartet war, eine vielfältige Gruppe von Modellierern engagiert zu halten und wöchentlich Daten einzureichen, da einige Gruppen nicht in der Lage waren, die Vorhersagen in Echtzeit bereitzustellen. Um eine vollständige Auswertung zu gewährleisten, mussten die Forscher fehlende Wochen später unter Verwendung der zu diesem Zeitpunkt verfügbaren Daten ergänzen, eine Methode, die ein kleines Risiko für Verzerrungen (Bias) einführte, aber ein vollständiges Bild der Saison ermöglichte. Letztendlich bestätigte die Studie, dass die genaue Höhe und der Zeitpunkt einer Atemwegswelle vorherzusagen zwar eine schwierige Aufgabe bleibt, ein Netzwerk verschiedener Modelle, die zusammenarbeiten, jedoch ein wertvolles und zuverlässiges Werkzeug für die Überwachung der öffentlichen Gesundheit darstellt. Die Erfahrung zeigte, dass diese Prognose-Hubs mit einer besseren Handhabung der Besonderheiten in der Berichterstattung während der Feiertage und einer fortlaufenden Verfeinerung der altersspezifischen Daten noch effektivere Wegweiser für die Bewältigung der Wintersaison werden können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.