Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability

毎年冬になると、お決まりのリズムが戻ってきます。風邪やインフルエンザ、その他の呼吸器疾患を引き起こすウイルスが循環し始め、病院を限界まで追い込み、コミュニティに安全性とケアに関する困難な選択を強いるのです。公衆衛生当局にとっての目標は、これらの急増が到来する前にその兆候を察知し、病院の準備を整え、人員配置を調整し、市民に助言を行うことです。これを行うために、科学者たちは疾患の「天気予報」として機能する予測システムを構築してきました。雨雲を追跡する代わりに、これらのシステムは、咳を訴えて救急外来を受診した人数、ウイルスの検査結果が陽性となった割合、さらには都市の排水システムの中にどれだけのウイルスが流れているかといった、コミュニティにおける感染の兆候を追跡します。その根底にある考え方は、長い間、「十分な歴史を見れば、一定のパターンを見出すことができる」というものでした。つまり、これらの早期警戒サインと、最終的に入院に至る患者数の間の関係は、時間の経過とともに一定であるという考えです。もしこれが真実であれば、過去のデータを用いて学習したモデルは、より多くのことを学ぶにつれて、単に向上し、より正確になるはずでした。

しかし、ユタ大学による新しい研究は、この慰めとなるような仮定に異議を唱えています。研究者たちは、これらの早期警戒サインと入院数の間の関係が、実際に一定のままなのか、それともウイルス自体の変化に伴って変動・変化するのかを検証することに乗り出しました。彼らは、SARS-CoV-2（COVID-19の原因ウイルス）とインフルエンザという2つの主要な呼吸器系の脅威に関するデータを調査しました。彼らは、年齢別に分類された日次の入院数、症状を示す患者がいる救急外来の受診数、ウイルス検査の陽性率、そして廃水中のウイルス濃度の測定値を含む、幅広い情報を収集しました。これらの異なるデータストリームを数年間にわたる実際の入院数と比較することで、チームは、警告サインと結果との間のつながりが、決して安定したものではないことを発見しました。あるシーズンや特定のバージョンのウイルスにおいて成立していたパターンが、次のシーズンには崩れ去ることが頻繁にありました。

研究者たちは、複数の年間のデータを一度に見た場合、数値上は警告サインと入院数の間に強く一貫した関連があることが示唆されることを発見しました。救急外来への受診が増えれば、入院数も確実にそれに続く、という見え方です。しかし、この見方は誤解を招くものでした。科学者たちが、新しい変異株が登場した時期や特定のインフルエンザシーズンなど、特定の期間に焦点を絞って詳細に観察すると、それらの強い結びつきはしばしば消失したり、あるいは逆転したりしました。例えば、パンデミックの初期の波においては、子供と成人のデータは連動していませんでした。一方のグループで起きていることは、もう一方のグループについてはほとんど何も教えてくれなかったのです。その後、新しい変異株が現れるにつれて、その関係性は再び変化しました。これはインフルエンザについても同様で、廃水のシグナルと入院数の間のつながりは、シーズンごとに変化していました。これは、「歴史が多ければ予測精度は上がる」という仮定に基づいたモデルは、もはや存在しないパターンに対して学習を行っており、結果として予測の精度を低下させる可能性があることを意味しています。

これが実際にどのように作用するかを確認するため、チームは入院数を予測する数十種類の異なる予測モデルを実行しました。彼らは、モデルを教え込むための2つの主要な方法をテストしました。一つは、固定された直近のデータウィンドウを使用する方法であり、もう一つは、より大きな歴史が役立つという仮定に基づき、古いデータをどんどん混ぜていく方法です。結果は驚くべきものでした。古い歴史的データを積み重ね続けたモデルは、直近の数週間にのみ焦点を当てたモデルよりも、総じてパフォーマンスが悪かったのです。多くの場合、最も長い履歴データを用いて学習したモデルは、アウトブレイクの転換点、例えば症例が急増し始めた時や減少し始めた時を予測することに失敗しました。現在の状況に迅速に適応し、遠い過去を無視したモデルの方が、しば-しば信頼性が高いことが分かりました。このことは、呼吸器ウイルス界が、単一の静的な数式には適さないほど流動的であることを示唆しています。ウイルスの振る舞い、人々の医療への求め方、そしてウイルスが私たちの水やクリニックにどのように現れるかは、すべて絶え間ない変化の中にあります。

また、この研究は、単一のタイプのモデルやデータソースが「特効薬」になることはないことも明らかにしました。パンデミックのある波の最中に完璧に機能した手法が、次の波では完全に失敗することもあります。同様に、ある年にはインフルエンザのピークを正確に予測できたモデルが、翌シーズンには的外れになることもあります。研究者たちは、最善のアプローチは一つの「最高の」モデルに頼ることではなく、多様な異なるモデルのグループを共に機能させることであると結論付けました。多くの異なるアプローチによる予測を組み合わせることで、基礎となる疾患のルールが変わったとしても、システムは堅牢性を維持できます。このアプローチは、未来が過去の単純なリプレイではないという事実を認めるものです。過去が未来への鍵を握っていると仮定するのではなく、公衆衛生の予測担当者は、自分たちのツールが依然として機能しているかどうかを常に確認し、ウイルスが進化した際に手法を適応させる準備ができている必要があります。

結局のところ、ユタ大学の研究は、呼吸器疾患の予測が、大気の物理学が概ね一貫している「天気を予測すること」とは異なり、絶えず進路を変える「川を航行すること」に近いことを示唆しています。川の流れは、季節、雨、そして地形によって異なります。研究者たちは、これらのウイルスに対抗するためには、利用可能なすべての歴史に基づいて訓練された単一の完璧なモデルという概念を捨てなければならないと結論付けました。代わりに、リアルタイムで自らのパフォーマンスを評価し、前提条件が適合しなくなった場合には古い仮定を破棄し、変化する状況を理解するために多様な視点に頼ることができる、柔軟なシステムを構築しなければなりません。これには、科学者と公衆衛生当局との継続的なパートナーシップが必要であり、コミュニティを守るために使用されるツールが、追跡対象となる脅威と同じくらいダイナミックで、応答性の高いものであることを保証しなければならないのです。