📄 medicine

Application of SARIMA and Hybrid SARIMA–ANN Models in Predicting and Forecasting Scorpionism Cases in Brazil

Diese Studie zeigt, dass ein hybrides SARIMA–Künstliches-Neuronales-Netz-Modell traditionelle SARIMA-Ansätze bei der Prognose monatlicher Skorpionismusfälle in Brasilien übertrifft und einen anhaltenden Aufwärtstrend sowie saisonale Muster offenbart, die die dringende Notwendigkeit einer verbesserten Überwachung der öffentlichen Gesundheit und präventiver Strategien unterstreichen.

Ursprüngliche Autoren: Amaury de Souza

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Amaury de Souza

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Ein wachsendes Problem

Stellen Sie sich Brasilien wie ein riesiges Haus vor, in dem ein ganz bestimmter Gast – der Skorpion – eine immer wildere Party feiert. In den letzten Jahrzehnten ist die Zahl der Skorpionstiche (auch „Skorpionismus“ genannt) signifikant gestiegen. Dies ist nicht nur ein Problem mit Ungeziefer; es ist ein Notfall für die öffentliche Gesundheit. Die Arbeit erklärt, dass dies geschieht, weil Städte schnell wachsen, die sanitäre Versorgung manchmal unzureichend ist und Skorpione sehr gut darin geworden sind, in menschlichen Nachbarschaften zu überleben.

Das Hauptziel dieser Studie war es, wie ein Wettervorhersager zu agieren, aber anstatt Regen vorherzusagen, versuchten die Forscher zu prognostizieren, wann und wie viele Menschen in Zukunft von Skorpionen gestochen werden würden.

Die Werkzeuge: Zwei verschiedene Arten von Kristallkugeln

Um diese Vorhersagen zu treffen, verwendete der Autor zwei verschiedene mathematische „Kristallkugeln“ (Modelle) und verglich sie, um zu sehen, welches davon besser ist.

1. Das SARIMA-Modell (Der „strenge Regelfolger“)
Betrachten Sie das SARIMA-Modell als einen strengen Bibliothekar, der nur einem festen Zeitplan folgt. Es betrachtet die vergangenen Daten und sagt: „Okay, jedes Jahr im Juli steigen die Zahlen an, und im Januar gehen sie nach unten. Ich werde einfach diesem Muster folgen.“

Wie es funktioniert: Es ist großartig darin, gerade Linien und sich wiederholende saisonale Zyklen (wie das Wetter) zu erkennen.
Das Ergebnis der Arbeit: Dieses Modell funktionierte gut genug, um den allgemeinen Trend und die jährlichen Zyklen zu erkennen. Es konnte uns sagen, dass die Skorpionstiche meist während der wärmeren, feuchteren Monate ansteigen. Es übersah jedoch manchmal plötzliche, extreme Sprünge in den Zahlen, da es davon ausgeht, dass die Welt sehr geordnet ist.

2. Das hybride SARIMA-ANN-Modell (Der „flexible Detektiv“)
Dieses Modell ist eine Teamarbeit. Es nimmt den „Regelfolger“ (SARIMA) und kombiniert ihn mit einem „Künstlichen Neuronalen Netz“ (ANN).

Die Analogie: Stellen Sie sich vor, das SARIMA-Modell erledigt zuerst die einfache Mathematik. Dann schaut es sich die Fehler an, die es gemacht hat (die Teile, die es nicht erklären konnte), und übergibt diese Fehler an das ANN. Das ANN ist wie ein Detektiv, der darauf trainiert ist, verborgene, chaotische Muster zu finden, die keinen Regeln folgen. Es betrachtet das „übrig gebliebene“ Chaos und findet die seltsamen, nicht-linearen Gründe, warum die Zahlen unerwartet in die Höhe geschossen sind.
Wie es funktioniert: Es kombiniert den stetigen Rhythmus der Jahreszeiten mit der Fähigkeit, aus komplexen, chaotischen Überraschungen zu lernen.
Das Ergebnis der Arbeit: Dieses Team war der Gewinner. Es sagte die Zukunft genauer voraus als der Regelfolger allein, da es sowohl die vorhersehbaren Jahreszeiten als auch das unvorhersehbare Chaos bewältigen konnte.

Was die Daten tatsächlich zeigten

Die Forscher untersuchten Daten von 2007 bis 2025. Hier ist, was sie fanden:

Der Trend geht nach oben: Die Zahl der Skorpionstiche ist stetig gestiegen, wie eine Treppe, die nach oben führt. Es ist nicht nur ein vorübergehender Anstieg; es ist ein langfristiges Wachstum.
Der saisonale Rhythmus: Es gibt einen klaren Takt zu diesem Problem. Genau wie Blumen im Frühling blühen, treten Skorpionstiche häufiger in den warmen, feuchten Monaten auf. Die Skorpione werden aktiver und Menschen werden häufiger gestochen.
Die Zukunftsprognose: Als sie ihre Modelle verwendeten, um in die Zukunft zu blicken (Prognose bis 2026), waren sich beide Modelle in einem Punkt einig: Die Party hört nicht auf. Es wird erwartet, dass die Zahl der Stiche hoch bleiben wird. Der „flexible Detektiv“ (das hybride Modell) lieferte eine etwas glattere, zuverlässigere Vorhersage, aber beide warnten davor, dass Brasilien auf viele Stiche im kommenden Jahr vorbereitet sein muss.

Warum das wichtig ist (laut der Arbeit)

Die Arbeit argumentt, dass wir nicht einfach raten können, wann die nächste Welle von Stichen kommen wird. Wir brauchen einen Plan.

Frühwarnung: Wenn wir wissen, wann die „Saison“ kommt, können Krankenhäuser mehr Medikamente (Gegengift) vorbereiten und Ärzte können sich bereitmachen.
Prävention: Die Studie legt nahe, dass die Behebung der Ursachen – wie besseres Abfallmanagement, sauberere Kanalisation und die Aufklärung der Menschen darüber, wie sie Skorpione vermeiden können – der einzige Weg ist, um die Zahlen steigen zu lassen.

Die Einschränkungen (Was die Arbeit zugab)

Der Autor war ehrlich über die Schwächen seiner Kristallkugel:

Fehlende Daten: Manchmal melden Menschen in abgelegenen Gebieten Stiche nicht, sodass die Zahlen niedriger sein könnten, als sie tatsächlich sind.
Keine Wettervariablen: Die Modelle betrachteten die Historie der Stiche, aber sie haben keine täglichen Temperatur- oder Regendaten explizit eingespeist. Die Arbeit legt nahe, dass zukünftige Modelle diese spezifischen Wetterdetails einbeziehen sollten, um noch intelligenter zu werden.

Das Fazit

Diese Arbeit ist ein Machbarkeitsnachweis dafür, dass die Kombination aus klassischer Statistik und moderner KI ein besseres Werkzeug zur Vorhersage von Skorpionangriffen in Brasilien schafft. Das „hybride“ Modell ist das derzeit beste Werkzeug, um dem Land dabei zu helfen, sich auf eine Zukunft vorzubereiten, in der Skorpionstiche weiterhin eine große gesundheitliche Herausforderung darstellen.

Technisches Resümee: Anwendung von SARIMA- und hybriden SARIMA–ANN-Modellen zur Vorhersage und Prognose von Skorpionismus-Fällen in Brasilien

Problemstellung
Skorpionismus hat sich zu einer kritischen ökologischen und gesundheitspolitischen Herausforderung in Brasilien entwickelt, die durch einen erheblichen Anstieg der gemeldeten Fälle in den letzten Jahrzehnten gekennzeichnet ist. Dieser Anstieg wird durch urbane Expansion, unzureichende Sanitärversorgung, Klimavariabilität und die ökologische Anpassung von Tityus-Arten (insbesondere T. serrulatus, T. stigmurus und T. bahiensis) an anthropogene Umgebungen vorangetrieben. Während die epidemiologische Belastung hoch ist, mangelt es an Studien, die fortgeschrittene Zeitreihen- und Machine-Learning-Ansätze zur Vorhersage der temporalen Dynamik von Skorpionstichen anwenden. Traditionelle lineare Modelle scheitern oft daran, die komplexen nichtlinearen Interaktionen zu erfassen, die in epidemiologischen Daten inhärent sind, was robustere Prognoseframeworks zur Unterstützung der gesundheitlichen Überwachung, Ressourcenallokation und Präventionsstrategien erforderlich macht.

Methodik
Diese retrospektive quantitative Studie analysierte monatlich aggregierte Skorpionismus-Fälle in Brasilien von 2007 bis 2025. Die Forschung verwendete einen zweistufigen Modellierungsansatz:

SARIMA-Modellierung: Ein saisonales autoregressives integriertes Moving-Average-Modell (SARIMA) wurde zunächst nach der Box–Jenkins-Methodik an die Zeitreihe angepasst. Das optimale Modell, SARIMA(1,1,1)(0,1,1)₁₂, wurde basierend auf dem Akaike-Informationskriterium (AIC) und dem Bayesianischen Informationskriterium (BIC) ausgewählt. Das Modell nutzte eine saisonale Periode ( $s$ ) von 12 Monaten, um jährliche Zyklen zu berücksichtigen.
Hybride SARIMA–ANN-Modellierung: Um potenzielle nichtlineare Komponenten zu adressieren, die durch die lineare SARIMA-Struktur nicht erfasst wurden, wurden die Residuen des optimalen SARIMA-Modells extrahiert und mittels eines künstlichen neuronalen Netzes (ANN) modelliert. Konkret wurde ein Multilayer-Perzeptron (MLP) mit einer logistischen Aktivierungsfunktion auf diesen Residuen trainiert. Die endgültige hybride Prognose wurde durch die Summation der linearen SARIMA-Vorhersagen und der nichtlinearen ANN-Residuenprognosen konstruiert.
Evaluierung und Validierung: Die Modellleistung wurde mittels des quadratischen Mittelfehlers (RMSE), des mittleren absoluten Fehlers (MAE) und des mittleren absoluten prozentualen Fehlers (MAPE) bewertet. Die Angemessenheit des SARIMA-Modells wurde über den Ljung–Box-Test für White-Noise-Residuen verifiziert. Die prädiktive Überlegenheit des hybriden Modells gegenüber dem einzelnen SARIMA-Modell wurde statistisch mittels des Diebold–Mariano-Tests (DM) validiert.

Zentrale Beiträge

Vergleichende Modellierung: Die Studie bietet einen direkten Vergleich zwischen einem Standard-Zeitreihenansatz (SARIMA) und einem hybriden Machine-Learning-Ansatz (SARIMA–ANN) speziell für Skorpionismus-Daten in Brasilien, einem Bereich, in dem eine solche prädiktive Modellierung derzeit begrenzt ist.
Implementierung eines hybriden Frameworks: Sie demonstriert die technische Machbarkeit der Zerlegung epidemiologischer Zeitreihen in lineare und nichtlineare Komponenten, deren separate Modellierung und anschließende Rekombination zur Verbesserung der Prognosegenauigkeit.
Prognosehorizont: Die Studie geht über die deskriptive Analyse hinaus und erstellt Punktprognosen für den Zeitraum 20 de 2026, was eine quantitative Basis für die Antizipation zukünftiger Inzidenztrends bietet.

Ergebnisse

Temporale Trends: Die explorative Analyse bestätigte einen deutlichen Aufwärtstrend bei den Skorpionismus-Fällen von 2007 bis 2025, zusammen mit ausgeprägter Saisonalität mit Spitzenwerten in wärmeren und feuchteren Monaten.
Modellleistung: Das SARIMA(1,1,1)(0,1,1)₁₂-Modell erfasste erfolgreich den allgemeinen Trend und die saisonalen Oszillationen. Die Residuen-Diagnostik deutete jedoch auf das Vorhandensein verbleibender nichtlinearer Strukturen hin.
Überlegenheit des hybriden Modells: Das hybride SARIMA–ANN-Modell zeigte eine statistisch überlegene prädiktive Leistung im Vergleich zum Standalone-SARIMA-Modell, was durch niedrigere RMSE-, MAE- und MAPE-Werte sowie ein signifikantes Ergebnis im Diebold–Mariano-Test belegt wurde. Das hybride Modell wies eine verbesserte Fähigkeit auf, saisonale Spitzen und abrupte Inzidenzschwankungen zu reproduzieren.
Zukunftsprojektionen: Beide Modelle prognostizierten eine anhaltend hohe Inzidenz des Skorpionismus im Verlauf des Jahres 2026 unter Beibehaltung des historischen saisonalen Musters. Das hybride Modell lieferte glattere und stabilere Prognosen, während es die saisonale Struktur bewahrte.

Bedeutung und Ansprüche
Die Arbeit postuliert, dass der hybride SARIMA–ANN-Ansatz ein vielversprechendes Instrument für die epidemiologische Prognose von Skorpionismus in Brasilien darstellt. Durch die Integration klassischer statistischer Methoden mit künstlicher Intelligenz beansprucht die Studie, eine genauere und zuverlässigere Methode zur Erfassung der komplexen linearen und nichtlinearen Dynamiken von Skorpionstichen zu bieten.

Die Autoren positionieren diese Ergebnisse als Beitrag zur gesundheitspolitischen Planung und legen nahe, dass solche Modelle die Implementierung von Frühwarnsystemen unterstützen können. Insbesondere können die Prognosen den Gesundheitsbehörden helfen, Hochrisikozeiten zu antizipieren, die Krankenhausbereitschaft zu optimieren, Antivenom-Bestände zu verteilen und gezielte Präventionskampagnen zu organisieren. Die Studie kommt zu dem Schluss, dass, obwohl die Modelle eine zufriedenstellende prädiktive Kapazität aufweisen, die wachsende Belastung durch Skorpionismus eine verstärkte Überwachung, ein Umweltmanagement und Präventionsstrategien erfordert, wobei das hybride Modell als wertvolles Instrument für Entscheidungsprozesse dient.

Angemerkte Limitationen
Die Autoren räumen ein, dass die Studie auf aggregierten Sekundärdaten basiert, die einer Untererfassung und Meldeverzögerungen unterliegen können. Darüber hinaus wurden in den Modellen keine klimatischen, ökologischen oder sozioökonomischen Variablen (z. B. Temperatur, Niederschlag, Bevölkerungsdichte) explizit einbezogen, welche die erklärende Kraft in zukünftigen Frameworks potenziell hätten erhöhen können. Folglich wird empfohlen, Langfristprognosen mit Vorsicht zu interpretieren.