Developing early warning systems using predictive models to identify Lassa fever threats in Ondo State, Nigeria

技術要約：ナイジェリア・オンド州におけるラッサ熱早期警戒システムの開発

問題提起
ラッサウイルスを原因とする重篤な出血熱であるラッサ熱（LF）は、西アフリカ、特にナイジェリアにおいて持続的な公衆衛生上の負担となっている。オンド州は、国内の確認症例の30%以上を占める主要なホットスポットとして特定されている。この疾患には明確な季節パターンが存在し、ヒトと齧歯類（Mastomys natalensis）の接触が増加する乾季（12月〜3月）にアウトブレイクがピークに達することが多い。既存のサーベイランス活動があるものの、報告漏れ、マラリアとの症状の重複による誤診、および検出の遅れといった課題が、効果的なアウトブレイク対応を阻害している。本研究は、オンド州における積極的な公衆衛生上の意思決定およびリソース配分を導くために、アウトブレイクのパターンを予測可能な、効果的な早期警戒システムの切実な必要性に取り組むものである。

方法論
本研究では、2018年1月から2025年4月までの、オンド州における確認されたラッサ熱の週次サーベイランス・データ（計382週間分）を用いた時系列予測手法を採用した。データはナイジェリア疾病管理センター（NCDC）から提供されたものである。

1. データの分割: データセットは、パラメータ推定のための訓練セット（70%）と、モデル評価のためのテストセット（30%）に分割された。
2. モデルの選択: 研究者は、時系列データにおけるトレンドと季節性の両方を捉えるために特別に設計された季節自己回帰移動平均（SARIMA）モデルを利用した。データの週次特性およびラッサ熱の年次季節性を考慮し、季節周期（$s$）を52週間に設定した。
3. モデルの特定および推定: 赤池情報量基準（AIC）に基づいて候補モデルを自動的に選択するために、R言語の auto.arima() 関数を使用した。6つの候補モデルを比較検討した。
4. 評価指標: モデルの精度は、平方根平均二乗誤差（RMSE）、平均絶対誤差（MAE）、および平均二乗誤差（MSE）を用いて評価した。
5. 診断: 選択されたモデルの妥当性は、正規性の確認および残差に有意な自己相関がないことを確認するためのリュング・ボックス検定を含む、残差分析を通じて検証された。

主な結果

• 最適モデル: ARIMA(3,0,2)(1,0,1)[52] モデルが、すべての誤差指標（RMSE、MAE、MSE）において最も低い値を示し、かつ候補の中で最も低いAIC値を得たため、最良適合モデルとして特定された。
• モデルの性能: 診断チェックにより、残差はおおよそ正規分布しており、ゼロの周囲にランダムに散布されていることが確認された。また、リュング・ボックス検定（$p > 0.05$）により、残差に有意な自己相関がないことが示され、モデルがデータの時間的構造を効果的に捉えていることが示された。
• 予測期間: モデルを用いて、34週間の予測（2025年の第19週から第52週まで）を生成した。
  • 予測では、ラッサ熱の症例数は週平均約4例となる。
  • モデルは、壊滅的な急増はなく、比較的安定した伝播傾向を予測している。予測値の大部分は週あたり5〜15例の範囲内に収まっている。
  • 季節的ピーク: 予測によれば、伝播のピークは年間で第48週から第52週の間に発生する可能性が高い。これは、歴史的な乾季のパターンと一致している。
• 視覚的検証: 適合値と実際のテストセットデータの比較により、モデルがラッサ熱の主要な季節的スパイクおよび一般的な流行傾向を正常に再現していることが示された。

意義および主張
本論文は、開発されたSARIMAモデルが、オンド州におけるラッサ熱の伝播ダイナミクスを理解するための統計的に堅牢な枠組みを提供すると主張している。短期的変動と長期的季節パターンの両方を捉えることで、このモデルは起こりうるアウトブレイクを予測するための信頼できるツールを提供する。

著者らは、本研究の知見が積極的な早期警戒システムの開発を支持することを強調している。具体的には、本研究は以下のことを示唆している：

• オンド州におけるラッサ熱の伝播は、予測可能な季節的ピークを伴いつつ、中程度のレベルで持続する可能性が高い。
• 公衆衛生の政策立案者は、これらの予測を活用することで、ピーク期（特に年末にかけて）に向けてサーベイランスを強化し、リソース配分を最適化することができる。
• 本モデルは、遡及的な分析を超えて、先見的な公衆衛生計画のための予測アルゴリズムを運用化するための基礎的なステップとして機能する。

本研究は、安定した条件下では中程度の伝播が予測されるものの、疾患の繰り返される季節的な性質により、特定された高リスク期間における継続的な備えと標的を絞った介入が必要であると結論付けている。