Oropouche, Dengue, and Chikungunya differential diagnosis using Brazilian surveillance data: development and validation of predictive models

Technisches Resümee: Differenzialdiagnose von Oropouche, Dengue und Chikungunya unter Verwendung brasilianischer Überwachungsdaten

Problemstellung
Seit 2024 erlebt Brasilien einen signifikanten Ausbruch des Oropouche-Fiebers (OF), der sich von seinem traditionellen Amazonasgebiet auf südöstliche Bundesstaaten wie Espírito Santo ausweitet. Während prädiktive Modelle für Dengue und Chikungunya existieren, gibt es eine kritische Lücke bei Werkzeugen, die in der Lage sind, zwischen Dengue, Chikungunya und dem neu auftretenden OF innerhalb eines klinischen und surveillance-bezogenen Kontextes zu differenzieren. Diese Arboviren teilen heterogene und überlappende klinische Präsentationen (z. B. Fieber, Myalgie, Arthralgie), was die Differenzialdiagnose erschwert. Darüber hinaus treten Co-Infektionen in etwa 2,1 % der Fälle weltweit auf, und die bestehende Literatur bietet begrenzte Daten zur Unterscheidung von OF gegenüber Dengue, wobei frühere Versuche eine geringe Leistungsfähigkeit zeigten. Die Studie adressiert den Bedarf an validierten klinischen Vorhersagemodellen, um die diagnostische Abklärung und die epidemiologische Überwachung dieser ko-zirkulierenden Viren zu unterstützen.

Methodik
Die Studie nutzte Überwachungsdaten des Gesundheitssystems des Bundesstaates Espírito Santo in Brasilien, die den Zeitraum von März 2023 bis Juli 2025 abdeckten.

• Datenquelle: Der Datensatz bestand aus 465.280 Beobachtungen, die aus elektronischen Meldeformularen abgeleitet wurden. Die Fälle wurden in vier Ergebnisse klassifiziert: Dengue, Chikungunya, Oropouche-Fieber (OF) und „verworfen“ (Fälle ohne bestätigte Diagnose). Zika-Fälle wurden in den ursprünglichen Daten enthalten, jedoch aufgrund einer unannehmbaren Modellleistung aus der endgültigen Modellierung ausgeschlossen.
• Falldefinition: Die Ergebnisse wurden durch klinisch-epidemiologische Bestätigung (epidemiologische Verbindung + kompatible Symptome) oder laborchemische Bestätigung (RT-qPCR oder spezifisches IgM) bestimmt.
• Prädiktoren: Die Modelle bezogen 28 potenzielle Prädiktoren aus den Meldeformularen, darunter demografische Daten (Alter, Geschlecht, ethnische Zugehörigkeit, Bildung, Adresse), klinische Anzeichen (Fieber, Kopfschmerzen, Erbrechen, Arthralgie, Ausschlag usw.) und Komorbiditäten (Diabetes, Hypertonie usw.).
• Modellierungsansatz: Die Forscher verwendeten Random-Forest-Regressionsmodelle und entwickelten ein separates Modell für jedes Ergebnis (Dengue, Chikungunya, OF), anstatt eines einzelnen Multiklassen-Modells, aufgrund der Komplexität von Co-Infektionen.
  • Datenaufteilung: Die Daten wurden zufällig in einen Trainingsdatensatz (zwei Drittel) und einen Validierungsdatensatz (ein Drittel) unterteilt.
  • Merkmalsauswahl: Die Prädiktoren wurden mittels einer „Shadow-Attribute“-Methode ausgewählt, bei der die Wichtigkeit der Variablen mit „Shadow“-Attributen verglichen wurde, die durch Zufall generiert wurden, um nur jene zu behalten, die das zufällige Rauschen übertrafen.
  • Umgang mit Ungleichgewicht: Das Klassenungleichgewicht wurde durch eine Gewichtung der Beobachtungen umgekehrt proportional zur Ergebnisdichte bewältigt.
  • Kalibrierung: Die Vorhersagen wurden mittels der Platt-Skalierung kalibriert, um die Wahrscheinlichkeitsschätzungen zu verbessern.
• Evaluierung: Die Leistung wurde mittels ROC AUC, R², Kalibrierungskennzahlen (Achse, Steigung, Fehlermetriken) und Sensitivitäts-Spezifitäts-Trade-offs bewertet.

Wichtigste Ergebnisse

• Zusammensetzung des Datensatzes: Der endgültig analysierte Datensatz enthielt 261.691 Dengue-Fälle (56,6 %), 18.676 Chikungunya-Fälle (4,0 %), 12.174 OF-Fälle (2,6 %) und 179.115 verworfene Fälle (38,6 %).
• Prädiktorenauswahl:
  • Dengue-Modell: Beinhaltete 24 Prädiktoren. Die diskriminativsten Merkmale waren Leukopenie, Erbrechen, Fieber, Kopfschmerzen, retroorbitaler Schmerz, Petechien und die Woche des Symptombeginns.
  • Chikungunya-Modell: Beinhaltete 25 Prädiktoren. Zentrale Diskriminatoren waren intensive Arthralgie, Arthritis, Petechien und Rückenschmerzen.
  • OF-Modell: Beinhaltete 16 Prädiktoren. Im Gegensatz zu den anderen Modellen waren epidemiologische Merkmale (Woche der ersten Symptome, Alter, Bildung, Adresse, Hautfarbe) die relevantesten Diskriminatoren, statt spezifischer klinischer Symptome.
• Modellleistung:
  • Dengue: ROC AUC von 0,726 im Validierungssatz. Es zeigte die besten Kalibrierungswerte, aber die geringste Diskriminierung unter den drei Modellen.
  • Chikungunya: ROC AUC von 0,851 im Validierungssatz, was eine gute Diskriminierung zeigt.
  • Oropouche (OF): ROC AUC von 0,896 im Validierungssatz, was die höchste Diskriminierung aufweist, jedoch eine weniger optimale Kalibrierung in höheren Wahrscheinlichkeitsbereichen zeigt.
• Entscheidungsunterstützung: Die Studie definierte spezifische Wahrscheinlichkeitsschwellenwerte, um Vorhersagen in Kategorien wie „unsicher“, „unklar“ und „konklusiv“ einzuteilen, um Anwender bei der Entscheidungsfindung zu unterstützen. Beispielsweise schlug das Dengue-Modell einen unklaren Bereich von 0,47 bis 0,67 vor.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Forschung erfolgreich die diskriminativsten Prädiktoren für Dengue, Chikungunya und OF identifiziert und damit eine Lücke in der Literatur bezüglich der OF-Differenzierung schließt. Die Studie validiert drei unterschiedliche Vorhersagemodelle mit moderater bis sehr guter Leistung, die als Entscheidungsunterstützungswerkzeuge und nicht als Ersatz für das klinische Urteil oder die Laborbestätigung dienen sollen.

Die Bedeutung der Arbeit liegt in ihrem Potenzial zur:

1. Optimierung diagnostischer Abläufe: Durch die Bereitstellung probabilistischer Schätzungen basierend auf leicht verfügbaren klinischen und epidemiologischen Daten können die Modelle helfen, Patienten für die bestätigende Labortestung zu priorisieren, insbesondere in ressourcenarmen Gebieten.
2. Verbesserung der Überwachung: Die Modelle können die Früherkennung und Überwachung von Arboviren-Ausbrüchen unterstützen, insbesondere wenn OF in neue geografische Gebiete expandiert.
3. Adressierung aufkommender Bedrohungen: Dies ist eine der wenigen Studien, die versucht, die klinische Modellierung des Oropouche-Fiebers vorzunehmen, und damit dessen wachsende epidemiologische Bedeutung in Lateinamerika anerkennt.

Die Autoren betonen, dass die Modelle kontextspezifisch für die brasilianischen Überwachungsdaten sind und aktualisiert werden müssen, falls sich die Saisonalität oder die klinische Präsentation von OF ändert. Sie stellen explizit klar, dass die Modelle die Laboruntersuchungen nicht ersetzen, sondern darauf abzielen, den rationalen Einsatz ergänzender Tests zu verfeinern und das klinische Denken während der Ko-Zirkulation mehrerer Arboviren zu unterstützen. Eine Webanwendung (Shiny App), die diese Modelle implementiert, wird öffentlich zur Verfügung gestellt.