Forecast-to-warning for Injury Surveillance in Megacity based on Seasonal and Holiday Effects: A District-level Study

Stellen Sie sich vor, Sie versuchen, das Wetter für Ihre Nachbarschaft vorherzusagen. Sie wissen, dass Regen oft in Jahreszeiten kommt, und Sie wissen, dass Stürme heftiger auftreten können, nachdem ein großer Feiertag war, wenn alle unterwegs sind. In der Welt der öffentlichen Gesundheit machen Wissenschaftler etwas Ähnliches, aber mit Verletzungen statt mit Regen. Sie führen ein tägliches Protokoll darüber, wie viele Menschen verletzt werden und in die Krankenhäuser eilen. Dies wird Surveillance (Überwachung) genannt. Normalerweise werden diese Protokolle nur genutzt, um in die Vergangenheit zu blicken und zu sagen: „Oh, im Juli sind mehr Leute vom Fahrrad gefallen.“ Aber was wäre, wenn wir voraussehen könnten? Was wäre, wenn wir sagen könnten: „Hey, der nächste Dienstag könnte ein gefährlicher Tag sein, also lasst uns zusätzliche Ärzte bereitstellen“? Das ist das Ziel von Forecasting (Vorhersage). Um dies zu erreichen, nutzen Wissenschaftler mathematische Modelle, die wie Kristallkugeln fungieren und versuchen, Muster im Chaos des täglichen Lebens zu finden, wie etwa den Rhythmus der Woche oder das besondere Chaos an öffentlichen Feiertagen. Die große Frage ist: Können wir diese mathematischen Vorhersagen in ein einfaches, farbiges Warnsystem verwandeln – wie eine Ampel – das Krankenhäusern sagt, wann sie in erhöhte Alarmbereitschaft versetzt werden müssen?

Dieses Paper ist die Geschichte eines Versuchs, ein solches Ampelsystem für eine riesige, superschnelle Stadt namens Shenzhen in China aufzubauen. Die Forscher betrachteten vier verschiedene Krankenhäuser in unterschiedlichen Stadtteilen und fragten: „Können wir Verletzungsschübe vorhersagen, bevor sie passieren, insbesondere rund um große Feiertage wie das Frühlingsfest?“ Sie testeten mehrere verschiedene „Kristallkugeln“ (mathematische Modelle), um zu sehen, welche am besten funktionierte. Sie fanden heraus, dass zwar kein einzelnes Modell für jedes Krankenhaus perfekt war, ein Werkzeug namens Prophet jedoch besonders gut darin war, die Richtung der Veränderung vorherzusagen – also zu sagen, ob die Verletzungen demnächst steigen oder sinken würden. Sie entdeckten auch, dass Feiertage eine riesige Rolle spielen; zum Beispiel sanken die Verlet 숫en während des Frühlingsfests in einigen Krankenhäusern, weil die Menschen zu ihren Familien nach Hause gingen, aber während des Labortags gingen sie in anderen Gebieten nach oben, weil die Arbeiter draußen Spaß hatten.

Der interessanteste Teil der Geschichte ist jedoch die „Ampel“ selbst. Die Forscher versuchten, ihre mathematischen Vorhersagen in drei Farben umzuwandeln: Grün (normal), Gelb (Vorsicht) und Rot (Gefahr). Hier ist die Wendung: Nur weil die Mathematik gut darin war, die exakte Anzahl der Verletzungen zu erraten, bedeutete das nicht, dass sie auch gut darin war, die richtige Farbe zu erraten. Das System war ziemlich gut darin, „Grün“ zu sagen, wenn es ruhig war, aber es hatte Schwierigkeiten, die „Gelben“ und „Roten“ Tage zu erfassen. Es übersah oft die Hochrisiko-Tage oder war verwirrt darüber, wann die Gefahr begann. Das Paper legt nahe, dass wir zwar Verletzungen vorhersagen können, aber das Umwandeln dieser Zahlen in ein zuverlässiges Warnsystem schwierig ist. Es ist wie eine Wetter-App, die weiß, dass es regnen wird, aber nicht genau sagen kann, wann der Regenschirm benötigt wird. Die Autoren kommen zu dem Schluss, dass wir, um dies in der Realität umzusetzen, für jedes Krankenhaus eigene, maßgeschneiderte Einstellungen benötigen, denn was für das eine Viertel funktioniert, muss für das nächste nicht zwangsläufig gelten.

Die Geschichte der Verletzungs-Kristallkugel

Das Setup: Eine Stadt mit Millionen und ein Berg aus Daten
Shenzhen ist eine Megastadt, ein Ort, an dem sich jeden Tag Millionen von Menschen bewegen, arbeiten und spielen. Weil sie so groß und geschäftig ist, passieren ständig Verletzungen. Die Stadt verfügt über ein Netzwerk von „Sentinel-Krankenhäusern“ (denken Sie an sie als die Haupt-Verletzungsberichte der Stadt), die jede Verletzung zählen, die durch die Notaufnahme kommt. Die Forscher nahmen die täglichen Verletungszahlen von vier dieser Krankenhäuser: Bao'an, Guangming, Nanshan und Longgang. Sie wollten sehen, ob sie die Anzahl der Verletzungen für die nächste Woche vorhersagen können.

Die Werkzeuge: Fünf verschiedene Kristallkugeln
Um ihre Vorhersagen zu treffen, haben die Teams nicht einfach geraten; sie verwendeten fünf verschiedene mathematische „Kristallkugeln“ (Modelle) und verglichen sie, um zu sehen, welche am schärfsten war:

1. ARIMA & SARIMA: Dies sind die klassischen, altmodischen Modelle. Sie sind großartig darin, Muster zu finden, die sich jede Woche oder jedes Jahr wiederholen, wie eine Uhr.
2. SARIMAX: Dies ist das klassische Modell, aber mit einer zusätzlichen Funktion: Es kann externe Faktoren berücksichtigen, wie zum Beispiel Feiertage.
3. LSTM: Dies ist ein modernes, ausgeklügeltes „Neuronales Netz“ (eine Art künstliche Intelligenz), das versucht, komplexe Muster zu lernen, indem es Unmengen an vergangenen Daten liest, ähnlich wie ein Schüler, der jedes Lehrbuch auswendig lernt.
4. Prophet: Dies ist ein neueres Werkzeug, das darauf ausgelegt ist, flexibel zu sein. Es zerlegt die Daten in einen Trend (geht es nach oben oder unten?), Saisonalität (passiert es jede Woche?) und Feiertage. Es ist wie ein Koch, der genau weiß, wie viel Salz er je nach Wochentag und Saison hinzufügen muss.

Das Experiment: Würfel werfen
Die Forscher testeten diese Modelle nicht nur einmal. Sie verwendeten eine „Rolling Window“-Methode (rollendes Zeitfenster). Stellen Sie sich vor, Sie sagen das Wetter für die nächste Woche voraus. Sie nutzen Daten aus der Vergangenheit, um eine Vermutung anzustellen, dann warten Sie eine Woche, sehen, was tatsächlich passiert ist, fügen diese neuen Daten zu Ihrer Historie hinzu und machen eine neue Vermutung für die darauffolgende Woche. Dies machten sie immer wieder für jedes Krankenhaus.

Die Erkenntnisse: Einheitsgröße passt niemandem
Hier wird die Geschichte interessant. Die Forscher fanden heraus, dass kein einzelnes Modell der Gewinner für alle war.

• Für die Krankenhäuser Bao'an und Guangming war Prophet der Champion. Es machte die genauesten Vermutungen über die Zahlen und war am besten darin, zu sagen, ob die Verletungszahlen steigen oder fallen.
• Für das Nanshan-Krankenhaus war das LSTM (das KI-Modell) am besten darin, die exakten Zahlen zu erraten.
• Für das Longgang-Krankenhaus machte das altmodische ARIMA-Modell tatsächlich den besten Job bei den Zahlen.

Dies lehrte sie eine große Lektion: Man kann nicht einfach ein einziges „bestes“ Modell für die ganze Stadt auswählen. Jedes Krankenhaus ist wie ein anderes Viertel mit seiner eigenen Persönlichkeit, und das Modell muss auf diesen spezifischen Ort abgestimmt werden.

Der Feiertagseffekt: Wenn der Kalender das Spiel verändert
Die Forscher wollten auch wissen: Verwirren Feiertage die Vorhersagen? In China sind Feiertage wie das Frühlingsfest (Chinesisches Neujahr) und der Nationalfeiertag riesig. Menschen reisen, Partys finden statt und Routinen ändern sich.

• Sie fanden heraus, dass das Frühlingsfest eine große Sache war. In fast allen Krankenhäusern sanken die Verletungszahlen während dieser Zeit. Es scheint, als würde die Stadt ruhiger werden, wenn alle zu ihren Familien nach Hause gehen, und weniger Menschen verletzen sich in der Stadt.
• Der Labortag war anders. In Longgang stiegen die Verletungszahlen an. Die Forscher vermuteten, dass dies daran liegen könnte, dass die Arbeiter in diesem Gebiet draußen Spaß hatten, reisten oder Outdoor-Aktivitäten unternahmen, anstatt in ihren Fabriken zu sein.
• Sie testeten verschiedene „Fenster“, um zu sehen, wie lange der Feiertagseffekt anhält. Sie prüften, ob der Effekt 1 Tag, 3 Tage, 5 Tage oder 7 Tage vor und nach dem Feiertag anhielt. Sie fanden heraus, dass ein 5-Tage-Fenster (2 Tage vor dem Feiertag, der Feiertag selbst und 2 Tage danach) meistens der „Sweet Spot“ war, aber dies variierte je nach Krankenhaus.

Die Ampel: Grün, Gelb, Rot
Das ultimative Ziel war nicht nur, eine Zahl wie „42 Verletzungen morgen“ zu erraten. Sie wollten diese Zahl in eine einfache Warnung umwandeln:

• Grün: Alles ist normal.
• Gelb: Vorsicht, es könnte voll werden.
• Rot: Gefahr! Bereiten Sie sich auf einen Anstieg vor.

Sie legten Regeln fest, um die vorhergesagten Zahlen in diese Farben umzuwandeln. Zum Beispiel, wenn die vorhergesagte Zahl höher als der Durchschnitt plus ein kleines bisschen war, wurde es Gelb. Wenn sie viel höher war, wurde es Rot.

Das Problem: Die Ampel flackerte
Hier liegt der knifflige Teil. Selbst wenn die Modelle ganz gut darin waren, die Zahlen zu erraten, waren sie nicht gut darin, die Farben zu erraten.

• Grün funktionierte gut. Das System war gut darin, zu sagen: „Es ist ein normaler Tag.“
• Gelb war ein Chaos. Das System hatte Schwierigkeiten, zwischen einem normalen Tag und einem leicht belebten Tag zu unterscheiden. Es übersah viele Gelb-Tage.
• Rot war ebenfalls ein Glücksfall. In einigen Krankenhäusern erfasste das System die Rot-Tage, aber in anderen (wie Nansan) übersah es sie fast immer.

Die Forscher erkannten, dass „nah dran“ an der richtigen Zahl zu sein nicht dasselbe ist wie die richtige Warnung zu erhalten. Ein Modell kann leicht daneben liegen und trotzdem die falsche Farbe liefern, was ein großes Problem ist, wenn man versucht, Leben zu retten.

Das Fazit: Anpassen oder Scheitern
Das Paper endet mit einer klaren Botschaft: Wir können Verletzungen vorhersagen, und wir können Feiertage nutzen, um uns zu helfen, aber wir können keinen „Einheitsansatz“ verwenden.

• Nutzen Sie nicht dasselbe Modell für jedes Krankenhaus. Einige brauchen KI, einige alte mathematische Modelle und einige das flexible Prophet-Werkzeug.
• Gehen Sie nicht davon aus, dass Feiertage jeden gleich beeinflussen. Das Frühlingsfest könnte in einem Gebiet die Lage beruhigen, aber in einem anderen zu einem Anstieg führen.
• Das Warnsystem muss überarbeitet werden. Die Umwandlung von Zahlen in ein einfaches Rot/Gelb/Grün-Licht ist schwieriger, als es aussieht. Das System muss spezifisch für jedes Krankenhaus getestet und abgestimmt werden, bevor man ihm vertrauen kann, um zu entscheiden, wann zusätzliches Personal gerufen werden soll.

Kurz gesagt: Die Forscher haben ein cooles neues Werkzeug für die Stadt gebaut, aber sie lernten, dass man, um es zum Laufen zu bringen, jedes Krankenhaus wie ein Individuum behandeln muss, nicht nur wie eine Zahl in einer Tabelle.