Correlations Between COVID-19 and Dengue

Dit artikel presenteert een neurale netwerkmodel dat de sterke correlatie tussen COVID-19 en dengue aantoont en een LSTM-benadering gebruikt om dengue-uitbraken in landen met onvoldoende data te voorspellen op basis van COVID-19-statistieken.

De kern

🦠 De Tweeling die niet op elkaar lijkt: Een Reis door Data

Stel je voor dat je twee enorme, onzichtbare golven hebt die over de wereld rollen. De ene golf is COVID-19 (een virus dat door de lucht reist) en de andere is Dengue (een virus dat door muggen wordt overgebracht). Normaal gesproken denken we dat deze twee niets met elkaar te maken hebben. Maar dit artikel van Paula Bergero, Laura Schaposnik en Grace Wang zegt: "Wacht even, laten we eens kijken of deze golven soms wel op hetzelfde ritme dansen."

De auteurs hebben een digitale waarzegger (een kunstmatige intelligentie) gebouwd om te zien of ze deze twee golven kunnen voorspellen door naar elkaar te kijken.

1. De Digitale Chef-kok (Het Neuraal Netwerk)

Stel je voor dat je een chef-kok bent die een perfecte soep wil maken. Je hebt ingrediënten nodig:

• Het virus: Hoeveel mensen zijn er ziek?
• Het weer: Is het warm en vochtig (goed voor muggen) of koud?
• Het feest: Vieren mensen vakantie? (Dan gaan ze meer uit, wat de verspreiding kan beïnvloeden).

In plaats van te proberen de soep te proeven, gebruiken de auteurs een Neuraal Netwerk. Dit is als een super-slimme robot die duizenden recepten tegelijk probeert. Hij kijkt naar de data van landen zoals Brazilië, Peru en Colombia. Hij leert: "Oh, als het regent én er is een feest, dan stijgt het aantal Dengue-gevallen. En als het COVID-19 piekt, gebeurt dat vaak op hetzelfde moment."

Het verrassende ontdekking? De golven lijken erg op elkaar. Als COVID-19 een piek heeft, heeft Dengue dat vaak ook, en andersom. Het is alsof twee verschillende muzikanten op hetzelfde ritme spelen, zelfs als ze verschillende instrumenten bespelen.

2. De Voorspeller voor Gebieden zonder Kaart

Nu komt het slimme deel. Stel je voor dat je in een land woont waar ze Dengue hebben, maar ze hebben geen goede papieren om te tellen hoeveel mensen ziek zijn (misschien omdat het systeem in de war is door de pandemie).

De auteurs zeggen: "Geen probleem! We gebruiken de COVID-19-data als een kompas."
Omdat de twee golven zo goed op elkaar lijken, kunnen ze de bekende COVID-19-cijfers gebruiken om te raden hoeveel Dengue-gevallen er waarschijnlijk zijn. Het is alsof je de schaduw van een boom meet om te weten hoe hoog de boom is, zelfs als je de boom zelf niet kunt zien.

Ze hebben dit getest op landen in Afrika (Kenia) en Azië (Cambodja). Zelfs zonder goede Dengue-data, gaf hun model een redelijk goed beeld van waar de pieken zouden komen. Dit helpt beleidsmakers om medicijnen en muggennetten op het juiste moment op de juiste plek te krijgen.

3. De Tijdmachine (LSTM)

In het begin gebruikten ze een standaard robot. Maar later bouwden ze een nog slimmere versie: een LSTM-model.
Stel je voor dat een standaard robot alleen naar de huidige foto kijkt. Een LSTM-robot heeft echter een geheugen. Hij onthoudt wat er gisteren, vorige week en vorig jaar is gebeurd.

Dit is cruciaal omdat ziektes een vertraging hebben. Een mug die je vandaag steekt, maakt je pas over een week ziek. De LSTM-robot ziet deze patronen in de tijd en kan beter voorspellen wat er in de toekomst gaat gebeuren, net als een weerman die niet alleen naar de huidige wolken kijkt, maar ook naar de windrichting van gisteren.

4. Waarom is dit belangrijk?

De wereld is vol met onzekerheid. Soms zijn er te weinig mensen om ziektes te tellen, of is de data verward.

• De les: Door te kijken naar de "tweeling" (COVID en Dengue) en externe factoren (zoals feestdagen en regen), kunnen we een veiligheidsnet maken.
• De toepassing: Als we zien dat COVID-19 weer oploopt, kunnen we waarschuwen: "Pas op, Dengue komt waarschijnlijk ook weer op!" Zelfs als we de Dengue-data nog niet hebben.

Samenvatting in één zin

De auteurs hebben een slimme computer bedacht die de dansstappen van COVID-19 en Dengue met elkaar vergelijkt, zodat we in landen waar de Dengue-data ontbreekt, toch kunnen voorspellen waar de gevaarlijke muggenpieken komen, puur door naar de COVID-golven te kijken.

Het is een beetje alsof je een kaart tekent van een onbekend land, alleen door de sporen van een ander dier te volgen dat daar ook loopt.

Technische samenvatting

Probleemstelling

Er is een dramatische toename van Dengue-uitbraken waargenomen, versterkt door klimaatverandering die de geografische verspreiding vergroot. Tegelijkertijd heeft de COVID-19-pandemie wereldwijd enorme impact gehad. Hoewel beide ziekten veel bestudeerd zijn, is er weinig onderzoek gedaan naar de correlatie tussen hen, vooral in de context van een mogelijke "syndemie" (gelijktijdige epidemieën).
De kernvraag is of er een verband bestaat tussen de trends van COVID-19 en Dengue, en of deze correlatie kan worden gebruikt om Dengue-uitbraken te voorspellen in landen met ontoereikende Dengue-data, door gebruik te maken van de vaak beter beschikbare COVID-19-data. Er bestaat onzekerheid over kruisimmuniteit; eerdere studies suggereren dat eerdere Dengue-infectie zelfs het risico op klinisch zichtbare COVID-19 kan verhogen.

Methodologie

De auteurs hanteren een benadering die machine learning en neurale netwerken combineert met externe variabelen (sociaal en klimatologisch). De methodologie omvat drie hoofdblokken:

1. Data Verzameling en Pre-processing:

   • Gebruik van datasets van de Pan-Amerikaanse Gezondheidsorganisatie (PAHO) voor Dengue en de Wereldgezondheidsorganisatie (WHO) voor COVID-19.
   • Focus op epidemiologische weken 30 tot 100 (begin 2020 tot begin 2022).
   • Normalisatie van de data via logaritmen (basis 10) om de grote schaalverschillen tussen het aantal COVID-19- en Dengue-gevallen te overbruggen.
   • Integratie van externe variabelen:
     • Feestdagen: Binaire variabele (1 of 0) voor weken met nationale feestdagen.
     • Klimaat: Gemiddelde temperatuur, luchtvochtigheid en neerslag (gewogen op bevolkingsdichtheid van grote steden zoals São Paulo, Lima en Bogotá).

2. Neuraal Netwerk Model (Correlation Model):

   • Een feedforward neurale netwerk met één invoerlaag, vier verborgen lagen (met ReLU-activering) en één uitvoerlaag (lineaire activering).
   • Het model wordt getraind om het aantal COVID-19-gevallen te voorspellen op basis van Dengue-gevallen, feestdagen en klimaatfactoren.
   • Evaluatie via de Mean Absolute Error (MAE) en visualisatie van trainings- en validatieverliezen.

3. Long Short-Term Memory (LSTM) Model:

   • Om tijdreeksafhankelijkheden en vertragingen beter te vangen, wordt een Recurrent Neural Network (RNN) specifiek een LSTM-model toegepast.
   • Dit model verwerkt sequenties van data in plaats van losse datapunten en gebruikt "gates" (input, output, forget) om informatie over langere periodes te onthouden.
   • Het model wordt getraind op Peruviaanse data (als deze het meest compleet is) en gebruikt om zowel COVID-19 als Dengue te voorspellen, waarbij de tijdreeksen van beide ziekten gekoppeld worden.

4. Toepassing op Data-arme Regio's:

   • Het model wordt getraind op Zuid-Amerikaanse data (Brazilië, Peru, Colombia) en vervolgens toegepast op landen met beperkte Dengue-data (Cambodja, Kenia) om Dengue-uitbraken te voorspellen op basis van COVID-19-trends.

Belangrijkste Bijdragen

• Correlatie Model: De definitie van een specifiek neurale netwerkmodel dat COVID-19 en Dengue koppelt aan externe factoren (feestdagen, klimaat).
• Voorspellende Capaciteit: Het aantonen dat COVID-19-data kan dienen als een proxy om Dengue-trends te schatten in landen waar Dengue-data ontoereikend of vertraagd is.
• LSTM Integratie: De uitbreiding naar een LSTM-model voor een meer robuuste tijdreeksanalyse, wat een completer beeld geeft van toekomstige infectiecijfers dan standaard neurale netwerken.
• Analyse van Externe Factoren: Een gedetailleerde studie naar hoe feestdagen en klimaatfactoren (temperatuur/luchtvochtigheid) de voorspellingsnauwkeurigheid beïnvloeden.

Resultaten

• Correlatie: Er is een duidelijke positieve correlatie gevonden tussen COVID-19 en Dengue in Brazilië; pieken in de ene ziekte vallen vaak samen met pieken in de andere (bijvoorbeeld tijdens 2021). In Peru en Colombia zijn de patronen minder consistent, maar nog steeds waarneembaar.
• Invloed van Variabelen:
  • Feestdagen: Het toevoegen van feestdagen leidt tot een snelle daling van de loss-curve, maar het model neigt de amplitude van de pieken te onderschatten (verminderde variantie).
  • Klimaat: Klimaatfactoren alleen leveren minder nauwkeurige resultaten op dan feestdagen, met een langzamere daling van de loss-curve.
  • Combinatie: Het combineren van feestdagen en klimaatfactoren resulteert in een model dat de algemene trend (pieken en dalen) goed volgt, hoewel de voorspelde waarden soms verschuiven op de logaritmische schaal.
• Voorspelling in Data-arme Gebieden: Het model slaagt erin om Dengue-pieken in Cambodja en Kenia te voorspellen die overeenkomen met historische trends, gebaseerd op Zuid-Amerikaanse trainingsdata. Dit bevestigt de bruikbaarheid van het model voor policy-making in regio's met data-gaten.
• LSTM Prestaties: Het LSTM-model toont een betere fitting voor historische data en biedt realistischere projecties voor de toekomst, inclusief de verwachte daling na de Omicron-piek in januari 2022.

Significantie en Toekomstperspectief

• Beleidsondersteuning: Het onderzoek biedt een waardevol hulpmiddel voor beleidsmakers om Dengue-uitbraken te anticiperen in landen met zwakke surveillance-systemen, door gebruik te maken van de wereldwijd beter gedocumenteerde COVID-19-data.
• Syndemie Management: Het benadrukt de noodzaak om infectieziekten niet geïsoleerd te bekijken, maar als onderdeel van een groter ecosysteem van sociale en klimatologische factoren.
• Aanbevelingen voor Verdere Research:
  • Onderzoek naar Latente Warmtestroom (Latent Heat Flux) als een potentieel betere correlatiefactor dan standaard temperatuur of vochtigheid.
  • Ontwikkeling van piek-indexen (peak indices) om uitbraken te definiëren op basis van relatieve of absolute drempels ten opzichte van de bevolking.
  • Analyse van de impact van COVID-19-lockdowns op de bestrijding van muggen (vectorcontrole), wat mogelijk heeft geleid tot een onderschatting van Dengue-gevallen.

Kortom, het paper demonstreert dat machine learning, en specifiek neurale netwerken en LSTM-modellen, effectief kunnen worden ingezet om de complexe interacties tussen COVID-19 en Dengue te modelleren en om voorspellende inzichten te genereren voor de volksgezondheid.