📄 medicine

Forecasting Influenza Incidence and Analyzing Interactive Effects of Environmental Factors across Different Age Groups in Beijing

Este estudio analiza la epidemiología de la influenza en Beijing de 2005 a 2020, demostrando que el modelo de Holt-Winters supera a otros métodos de series temporales para la previsión de un solo factor, mientras que un modelo Bi-LSTM integra eficazmente datos meteorológicos y de contaminantes atmosféricos para revelar desencadenantes ambientales específicos por edad y efectos de interacción para estrategias de prevención dirigida.

Autores originales: Guolong Qu, Weiming Hou

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Guolong Qu, Weiming Hou

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Prediciendo la gripe en Beijing

Imagine intentar predecir cuándo golpeará una tormenta a una ciudad. Necesita observar el clima, pero también necesita saber quién tiene más probabilidades de mojarse. Este estudio hizo exactamente eso para la gripe en Beijing, China, analizando datos de 2005 a 2020.

Los investigadores tenían tres objetivos principales:

Encontrar el mejor "pronosticador del tiempo" para los números de la gripe (usando modelos matemáticos).
Identificar qué "detonantes" ambientales (como la lluvia, el calor o el esmog) causan que la gripe se dispare.
Ver si los diferentes grupos de edad (niños, adultos, personas mayores) reaccionan de manera distinta a estos detonantes.

1. Limpieza de datos: Eliminando los "fallos"

Antes de empezar a predecir, los investigadores tuvieron que limpiar sus datos. Piense en los números de casos de gripe como un monitor de ritmo cardíaco. Normalmente, tiene un ritmo constante, pero a veces tiene picos salvajes debido a un fallo o un error del sensor.

En los datos brutos, había picos enormes e irreales de casos de gripe (valores atípicos) que no tenían sentido. Los investigadores actuaron como un ingeniero de sonido, suavizando esos "estallidos y clics" para obtener una señal clara. Esto hizo que los datos fueran mucho más estables y fiables para que sus modelos pudieran leerlos.

2. El concurso de pronósticos: ¿Quién ganó?

El equipo organizó una carrera entre tres modelos matemáticos diferentes para ver cuál podía predecir mejor los números de la gripe para el año 2020.

Los contendientes:
- SARIMA: Un modelo clásico y rígido que intenta ajustar una línea recta a una curva ondulante.
- FKF (Filtro de Kalman): Un modelo complejo y de alta tecnología, utilizado a menudo en sistemas de navegación.
- Holt-Winters: Un modelo diseñado específicamente para manejar cosas que suben y bajan según las estaciones (como la gripe).
El resultado:
El modelo Holt-Winters ganó la carrera por goleada.
- ¿Por qué? La gripe en Beijing es muy estacional (le encanta el invierno). El modelo Holt-Winters es como un surfista experimentado que sabe exactamente cuándo vienen las olas (las temporadas de gripe).
- Los perdedores: El modelo SARIMA se confundió con las olas y predijo que la gripe subiría cuando en realidad bajaba. El Filtro de Kalman era demasiado suave; predijo una línea plana y se perdió por completo los grandes picos invernales.

La conclusión: Para la predicción sencilla de la gripe en Beijing, no se necesita la ciencia de cohetes más compleja; se necesita un modelo que entienda las estaciones.

3. El experimento de Aprendizaje Profundo: El "Súper Cerebro"

A continuación, los investigadores probaron un enfoque más avanzado utilizando Bi-LSTM, un tipo de Inteligencia Artificial (Aprendizaje Profundo). En lugar de mirar solo el tiempo, este "súper cerebro" intentó aprender de muchos factores ambientales a la vez (temperatura, lluvia, humedad y contaminación del aire).

Cómo funcionó:
- Para los mayores (60+): La IA fue una estrella. Predijo los casos de gripe para las personas mayores con alta precisión y no se confundió (sobreajuste). Era como un abuelo sabio que sabe exactamente cuándo viene el frío.
- Para los adultos (15–59): La IA fue donde más problemas tuvo. No pudo encontrar un patrón claro, lo que sugiere que los casos de gripe en adultos están influenciados por factores desordenados e impredecibles que el modelo no pudo captar.
- Para los niños (0–14): La IA lo hizo bien, pero aun así cometió algunos errores.

4. Los "Detonantes": ¿Qué hace que la gripe se dispare?

Los investigadores utilizaron una herramienta llamada Random Forest (piense en ello como un equipo de árboles de toma de decisiones) para determinar qué factores ambientales importaban más.

Los detonantes universales: Para todo el mundo (niños, adultos y mayores), el clima era el jefe. La temperatura, la lluvia y la humedad fueron las tres razones principales por las que se propagó la gripe.
Los detonantes específicos por edad:
- Niños y adultos (0–59): Estos grupos eran sensibles a la Contaminación del Aire (específicamente al Índice de Calidad del Aire o ICA). Es como si sus pulmones fueran más fácilmente irritados por el esmog, haciéndolos más propensos a contraer la gripe.
- Personas mayores (60+): Este grupo estaba menos preocupado por el esmog general y era más sensible a gases específicos como el Monóxido de Carbono (CO) y el Ozono (O₃). Esto podría deberse a que sus pulmones tienen más dificultades para filtrar estos gases específicos a medida que envejecen.

5. El efecto de "Doble Problema"

Finalmente, analizaron cómo trabajaban estos factores juntos.

El hallazgo: La mayoría de los factores no se unieron con fuerza. Sin embargo, la humedad actuó como un "control de volumen". Cuando había humedad, los efectos negativos de la contaminación del aire se volvían ligeramente más fuertes (peores). Es como cómo la madera húmeda arde de forma diferente a la madera seca; la humedad cambió la forma en que la contaminación afectaba a las personas.

Conclusión del Resumen

El artículo concluye que:

Lo simple es mejor: El modelo Holt-Winters es la mejor herramienta para predecir los números de la gripe basándose únicamente en el tiempo.
La IA tiene límites: El modelo de IA Bi-LSTM funciona bien para las personas mayores pero tiene dificultades con los adultos, lo que demuestra que los diferentes grupos necesitan diferentes herramientas de predicción.
Una sola talla no sirve para todos: Aunque el clima es el principal culpable para todos, los niños y los adultos se ven más afectados por el esmog general, mientras que las personas mayores se ven más afectadas por gases específicos como el CO y el Ozono.

Para detener la gripe, necesitamos vigilar de cerca el clima, pero también debemos recordar que una advertencia para un niño de 10 años podría tener que centrarse en contaminantes diferentes a los de una advertencia para un anciano de 80 años.

Resumen Técnico: Pronóstico de la Incidencia de Influenza y Análisis de los Efectos Interactivos de Factores Ambientales en Diferentes Grupos de Edad en Beijing

Planteamiento del Problema
La influenza sigue siendo una enfermedad altamente prevalente propensa a epidemias a gran escala, particularmente en invierno, lo que plantea desafíos significos para los sistemas de salud pública. Si bien el modelado basado en datos se ha integrado cada vez más en la vigilancia de la influenza, los enfoques existentes suelen sufrir limitaciones específicas: muchos modelos dependen de algoritmos únicos sin marcos integrados, no incorporan variables meteorológicas y ambientales de alta frecuencia, y descuidan el procesamiento de valores atípicos en los datos brutos de series temporales. Además, existe una falta de investigación que aborde cómo los factores ambientales interactúan de manera diferente entre grupos de edad específicos, lo que restringe el desarrollo de estrategias de alerta temprana y de intervención dirigida precisas. Este estudio tiene como objetivo abordar estas brechas analizando las características epidemiológicas en Beijing (2005–2020), comparando el rendimiento predictivo de modelos de series temporales y de aprendizaje profundo, e identificando factores ambientales clave y sus interacciones a través de diferentes demografías de edad.

Metodología
El estudio utilizó datos de vigilancia de influenza mensuales de 2005 a 2020 y datos ambientales (indicadores meteorológicos y contaminantes atmosféricos) de 2014 a 2020 en Beijing. La población se estratificó en cuatro grupos: población total, 0–14 años, 15–59 años y mayores de 60 años.

Preprocesamiento de Datos: Se realizaron la identificación y corrección de valores atípicos en los datos de series temporales para mejorar la estabilidad preservando al mismo tiempo las características de la distribución general.
Predicción de un Solo Factor: Se construyeron y evaluaron tres modelos de series temporales utilizando un conjunto de entrenamiento (2005–2019) y un conjunto de prueba (2020):
- SARIMA: Siguiendo el procedimiento de Box-Jenkins con diferenciación estacional.
- Holt-Winters: Un modelo aditivo que descompone la serie en componentes de nivel, tendencia y estacionalidad.
- Filtro de Kalman (FKF): Un modelo de espacio de estados con pasos iterativos de predicción y actualización.
- Métricas: Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y Error Porcentual Absoluto Medio (MAPE).
Predicción de Multi-Factores: Se estableció un modelo de aprendizaje profundo de Memoria de Corto Plazo Bidireccional (Bi-LSTM). Los factores ambientales significativos se seleccionaron mediante el análisis de correlación de Spearman. El conjunto de datos se dividió cronológicamente (75% entrenamiento, 25% prueba) para evitar la fuga de datos. La red utilizó una capa LSTM bidireccional, activación ReLU y estrategias de parada temprana (early stopping).
Evaluación de Interacción: Se empleó el algoritmo de Bosque Aleatorio (RF), combinado con el índice de profundidad mínima media, para evaluar la importancia de las variables y cuantificar los efectos de interacción entre los factores ambientales.

Resultados Clave

Tendencias Epidemiológicas: La incidencia de influenza en Beijing mostró una tendencia general ascendente de 2005 a 2020, siendo el invierno la estación dominante (75.76% de los casos). Los niños de 0–14 años fueron el grupo de mayor riesgo (56.32% de los casos), mientras que el grupo de 15–59 años fue el único grupo demográfico que mostró una incidencia relativamente mayor en verano.
Desempeño del Modelo de un Solo Factor: El modelo aditivo de Holt-Winters superó consistentemente a SARIMA y FKF en todos los grupos de edad, logrando el RMSE, MAE y MAPE más bajos. SARIMA exhibió una estabilidad deficiente con sobreestimación o subestimación de los picos, mientras que el FKF produjo curvas planas que no lograron capturar las variaciones estacionales. El modelo Holt-Winters fue identificado como el predictor óptimo de un solo factor.
Desempeño del Modelo de Multi-Factores: El modelo Bi-LSTM demostró una eficacia variable según los grupos de edad. El grupo de personas mayores (más de 60 años) alcanzó la mayor precisión de predicción con el sobreajuste más leve (menor RMSE y MAE en el conjunto de prueba). Por el contrario, el grupo de 15–59 años exhibió el coeficiente de determinación ( $R^2$ ) más bajo, y el grupo de la población total mostró los mayores errores de predicción.
Impulsores Ambientales e Interacciones:
- Factores Centrales: Los factores meteorológicos (temperatura, precipitación y humedad) fueron los factores influyentes dominantes para todos los grupos de edad.
- Contaminantes Específicos por Edad: El Índice de Calidad del Aire (AQI) impactó significamente a los grupos de 0–14 y 15–59 años. Para los adultos mayores (más de 60 años), el monóxido de carbono (CO) y el ozono ( $O_3$ ) fueron los contaminantes prominentes.
- Interacciones: La intensidad de interacción general entre los factores ambientales fue débil. Sin embargo, se encontró que las condiciones de humedad amplifican ligeramente los efectos adversos de los contaminantes atmosféricos.

Significancia y Reivindicaciones
El artículo sostiene que el modelo Holt-Winters es el enfoque más adecuado para la predicción de series temporales de un solo factor de la influenza en Beijing, mientras que el modelo Bi-LSTM integra eficazmente múltiples factores ambientales para la predicción de la incidencia. El estudio enfatiza que los factores meteorológicos son los principales desencadenantes ambientales de las epidemias de influenza, pero la respuesta a los contaminantes atmosféricos varía significamente según la edad.

Los autores concluyen que los futuros sistemas de alerta temprana de influenza y las estrategias de intervención dirigida deben considerar plenamente la estratificación por edad y la interacción entre los factores meteorológicos y los contaminantes atmosféricos. Al reconocer que diferentes grupos de edad responden de manera distinta a contaminantes específicos (por ejemplo, AQI para niños frente a CO/ $O_3$ para los adultos mayores), los funcionarios de salud pública pueden desarrollar medidas de prevención y control más precisas. El estudio también destaca que los algoritmos complejos no garantizan inherentemente un desempeño superior para el pronóstico de enfermedades; modelos más simples como Holt-Winters pueden superar a otros más complejos (como FKF o SARIMA) cuando los datos exhiben fuertes fluctuaciones estacionales y tendencias a largo plazo.

Limitaciones Observadas
Los autores reconocen limitaciones que incluyen la cobertura de tiempo inconsistente entre los datos de vigilancia y los ambientales, el posible sesgo de subreporte en los datos de rutina y la exclusión de factores de confusión como la cobertura de vacunación y la movilidad de la población. Además, el estudio se restringió a Beijing, lo que limita la generalizabilidad de las conclusiones, y los efectos sinérgicos entre variables carecieron de verificación biológica experimental.