Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
Diese Studie zeigt auf, dass die instabilen und saisonal variablen Beziehungen zwischen vielfältigen Überwachungsprädiktoren und respiratorischen Krankheitsausgängen die Wirksamkeit statischer Prognosemodelle und langfristiger historischer Trainings untergraben, was adaptive Strategien und eine kontinuierliche Evaluierung erforderlich macht, um die Vorhersagegenauigkeit zu verbessern.
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 Winter kehrt ein vertrauter Rhythmus zurück: Viren, die Erkältungen, die Grippe und andere Atemwegserkrankungen verursachen, beginnen zu zirkulieren, was Krankenhäuser an ihre Grenzen bringt und Gemeinschaften vor schwierige Entscheidungen über Sicherheit und Versorgung stellt. Für Beamte des öffentlichen Gesundheitswesens besteht das Ziel darin, diese Wellen kommen zu sehen, bevor sie eintreten, um Krankenhäuser vorzubereiten, die Personalplanung anzupassen und die Öffentlichkeit zu beraten. Um dies zu erreichen, haben Wissenschaftler Prognosesysteme entwickelt, die wie Wetterberichte für Krankheiten fungieren. Anstatt Regenwolken zu verfolgen, verfolgen diese Systeme Anzeichen von Infektionen in der Gemeinschaft, wie etwa wie viele Menschen wegen Hustens die Notaufnahme aufsuchen, wie viele Virustests positiv ausfallen oder sogar wie viel Virus durch die Abwassersysteme der Stadt fließt. Die zugrunde liegende Idee war lange Zeit die, dass man durch die Betrachtung genügend Geschichte einen stetigen Rhythmus finden kann: dass die Beziehung zwischen diesen Frühwarnsignalen und der Anzahl der Menschen, die schließlich im Krankenhaus landen, im Laufe der Zeit konstant bleibt. Wenn dies wahr wäre, würde ein Modell, das mit jahrelangen historischen Daten trainiert wurde, einfach besser und genauer werden, während es mehr lernt.
Eine neue Studie aus Utah stellt diese tröstliche Annahme jedoch infrage. Forscher dort wollten testen, ob diese Beziehungen zwischen Frühwarnsignalen und Krankenhausaufenthalten tatsächlich gleich bleiben oder ob sie sich verschieben und verändern, während sich die Viren selbst verändern. Sie untersuchten Daten für zwei große respiratorische Bedrohungen: SARS-CoV-2, das Virus, das COVID-19 verursacht, und Influenza. Sie sammelten eine breite Palette an Informationen, darunter tägliche Zählungen von Krankenhausaufenthalten aufgeschlüsselt nach Alter, Notaufnahmebesuche von Patienten mit Symptomen dieser Erkrankungen, den Prozentsatz der positiven Virustests und Messungen der Viruskonzentration im Abwasser. Durch den Vergleich dieser verschiedenen Datenströme mit den tatsächlichen Krankenhauszahlen über mehrere Jahre hinweg entdeckte das Team, dass die Verbindungen zwischen den Warnsignalen und den Ergebnissen alles andere als stabil sind. Die Muster, die während einer Saison oder für eine bestimmte Version eines Virus Bestand hatten, brachen während der nächsten oft zusammen.
Die Forscher fanden heraus, dass, wenn sie alle Daten aus mehreren Jahren gleichzeitig betrachteten, die Zahlen auf einen starken, konsistenten Zusammenhang zwischen den Warnsignalen und den Krankenhausaufenthalten hindeuteten. Es schien, als würden mit steigenden Notaufnahmebesuchen auch die Krankenhausaufenthalte zuverlässig folgen. Doch diese Sichtweise war irreführend. Als die Wissenschaftler tiefer blickten, um spezifische Zeiträume zu untersuchen – etwa wenn eine neue Variante des Virus auftrat oder während einer bestimmten Grippesaison –, verschwanden diese starken Verbindungen oft oder kehrten sich sogar um. Beispielsweise bewegten sich die Daten von Kindern und Erwachsenen während der frühen Wellen der Pandemie nicht gemeinsam; was in der einen Gruppe geschah, sagte wenig über das Geschehen in der anderen Gruppe aus. Später, als neue Varianten auftauchten, verschoben sich die Beziehungen erneut. Dasselbe galt für die Grippe, bei der sich die Verbindung zwischen Abwassersignalen und Krankenhauszahlen von Saison zu Saison änderte. Dies bedeutet, dass ein Modell, das auf der Annahme basiert, dass „mehr Geschichte gleich besserer Vorhersage“ ist, sich in Wirklichkeit an Mustern trainiert, die nicht mehr existieren, was die Prognosen potenziell ungenauer macht.
Um zu sehen, wie sich dies in der Praxis auswirkte, lieferte das Team Dutzende verschiedener Prognosemodelle zur Vorhersage von Krankenhausaufenthalten. Sie testeten zwei Hauptmethoden, um diese Modelle zu lehren: Eine Methode nutzte ein festes, aktuelles Zeitfenster, während die andere Methode immer ältere Jahre der Daten hinzufügte, in der Annahme, dass eine größere Historie helfen würde. Die Ergebnisse waren überraschend. Die Modelle, die kontinuierlich alte historische Daten anhäuften, schnitten im Allgemeinen schlechter ab als jene, die sich nur auf die jüngsten Wochen konzentrierten. In vielen Fällen scheiterten die Modelle, die mit der längsten Historie an Daten trainiert wurden, daran, die Wendepunkte eines Ausbruchs vorherzusagen, wie etwa wenn die Fälle begannen zu steigen oder wenn sie wieder sanken. Die Modelle, die sich schnell an die aktuelle Situation anpassten und die ferne Vergangenheit ignorierten, waren oft zuverlässiger. Dies deutet darauf hin, dass die Welt der Atemwegsviren zu flüssig für eine einzige, statische Formel ist. Die Art und Weise, wie das Virus agiert, wie Menschen medizinische Hilfe suchen und wie das Virus in unserem Wasser und unseren Kliniken auftaucht, befindet sich alle in einem Zustand ständiger Veränderung.
Die Studie zeigte auch, dass kein einzelner Modelltyp oder eine einzelne Datenquelle ein Allheilmittel war. Eine Methode, die während einer Welle der Pandemie perfekt funktionierte, könnte während der nächsten völlig versagen. Ebenso konnte ein Modell, das den Höhepunkt der Grippe in einem Jahr präzise vorhersagte, in der folgenden Saison danebenliegen. Die Forscher fanden heraus, dass der beste Ansatz nicht darin bestand, sich auf ein einziges „bestes“ Modell zu verlassen, sondern eine vielfältige Gruppe vieler verschiedener Modelle einzusetzen, die zusammenarbeiten. Durch die Kombination der Vorhersagen vieler verschiedener Ansätze konnte das System robust bleiben, selbst wenn sich die zugrunde liegenden Regeln der Krankheit änderten. Dieser Ansatz erkennt an, dass die Zukunft keine einfache Wiederholung der Vergangenheit ist. Anstatt davon auszugehen, dass die Vergangenheit den Schlüssel zur Zukunft hält, müssen Forscher im Bereich der öffentlichen Gesundheit ständig prüfen, ob ihre Werkzeuge noch funktionieren, und bereit sein, ihre Methoden anzupassen, während sich das Virus weiterentwickelt.
Letztendlich legt die Arbeit aus Utah nahe, dass die Vorhersage von Atemwegserkrankungen weniger der Wettervorhersage gleicht, bei der die Physik der Atmosphäre weitgehend konsistent bleibt, sondern eher dem Navigieren in einem Fluss, der ständig seinen Lauf ändert. Das Wasser fließt je nach Jahreszeit, Regen und Gelände anders. Die Forscher kamen zu dem Schluss, dass öffentliche Gesundheitssysteme, um diesen Viren einen Schritt voraus zu sein, die Idee eines einzigen, perfekten Modells, das auf der gesamten verfügbaren Geschichte basiert, aufgeben müssen. Stattdessen müssen sie flexible Systeme aufbauen, die ihre eigene Leistung in Echtzeit bewerten, alte Annahmen verwerfen, wenn sie nicht mehr passen, und sich auf eine Vielzahl verschiedener Perspektiven verlassen, um eine sich ständig verändernde Landschaft zu verstehen. Dies erfordert eine kontinuierliche Partnerschaft zwischen Wissenschaftlern und Beamten des öffentlichen Gesundheitswesens, um sicherzustellen, dass die Werkzeuge, die zur Bekämpfung der Gemeinschaften eingesetzt werden, so dynamisch und reaktionsfähig sind wie die Bedrohungen, die sie zu verfolgen versuchen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.