HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction

Dit paper introduceert HealthMamba, een onzekerheidsbewust spatiotemporale graf-state-space-model dat de voorspelling van bezoeken aan zorgfaciliteiten verbetert door ruimtelijke afhankelijkheden te modelleren en betrouwbare voorspellingen te leveren tijdens noodsituaties.

De kern

HealthMamba: De slimme voorspeller voor ziekenhuisbezoek

Stel je voor dat je een superkrachtige weerman hebt, maar dan niet voor regen en wind, maar voor ziekenhuizen en artsenpraktijken. Deze "weerman" kan precies voorspellen hoeveel mensen er morgen naar het ziekenhuis, de huisarts of het verpleeghuis gaan.

Dat klinkt als een droom, maar in de echte wereld is dit heel lastig. Waarom? Omdat het gedrag van mensen niet altijd logisch is. Soms is er een orkaan, soms een virus (zoals COVID-19), en soms is er gewoon een griepgolf. Dan verandert het gedrag van mensen plotseling, en kunnen oude modellen niet meer mee.

De onderzoekers van deze paper hebben HealthMamba bedacht. Laten we uitleggen wat dit is, zonder moeilijke wiskunde, maar met een paar leuke vergelijkingen.

1. Het Probleem: De "Blinde" Voorspellers

Vroeger keken computers alleen naar het verleden alsof het een rechte lijn was: "Gisteren waren er 100 bezoekers, dus morgen zijn er ook 100."
Dit werkt niet goed omdat:

• Het landschap verandert: Een stad in Californië is heel anders dan een dorp in Florida. Mensen in dorpen moeten verder reizen, dus ze gaan minder vaak naar de dokter.
• Het type zorg telt: Mensen gaan niet voor hetzelfde naar een verpleeghuis als naar een spoedeisende hulp.
• Paniek en chaos: Bij een noodsituatie (zoals een orkaan) stopt de normale lijn plotseling op. Oude modellen denken dan dat alles normaal blijft, terwijl er juist chaos is.

2. De Oplossing: HealthMamba

HealthMamba is als een slimme, alwetende regisseur die drie dingen tegelijk doet:

A. De "Alles-in-één" Sensor (De Context Encoder)

Stel je voor dat je een detective bent die een dossier opbouwt. HealthMamba kijkt niet alleen naar het aantal bezoekers. Het pakt ook:

• De statische info: Hoe oud is de bevolking? Hoeveel mensen wonen hier? (Net als de vaste structuur van een huis).
• De dynamische info: Is het regenen? Is er een orkaan? Is er een virus? (Net als het weer buiten).
• De verbindingen: Het kijkt naar de kaart. Als in stad A een ziekenhuis vol zit, weten ze dat mensen uit stad B misschien ook naar stad A gaan.

Het mixt al deze info tot één helder beeld, net zoals een chef-kok die alle ingrediënten perfect combineert tot één gerecht.

B. De "Slaapwandelaar" (GraphMamba)

Dit is het hart van het systeem. De naam "Mamba" komt van een nieuwe, zeer snelle manier van denken (State Space Model).
Stel je voor dat je door een labyrint loopt. Een oude computer zou elke weg één voor één aflopen (langzaam). HealthMamba heeft echter een magische kaart (een grafiek) die hem direct de kortste weg wijst, terwijl hij ook ziet hoe de muren van het labyrint bewegen.

• Het leert van boven naar beneden (zoals een U-vorm): eerst de grote lijnen van de hele staat, en dan steeds fijner tot aan het specifieke dorpje.
• Het past zich continu aan. Als er een nieuwe weg wordt aangelegd of een brug dichtgaat, past HealthMamba zijn kaart direct aan.

C. De "Waarschuwingslamp" (Onzekerheidsmeting)

Dit is misschien wel het belangrijkste deel. De meeste computers zeggen: "Ik weet het zeker: er komen 100 mensen." Maar wat als ze zich vergissen?
HealthMamba zegt: "Ik denk dat er ongeveer 100 mensen komen, maar er is een kans dat het tussen de 90 en 110 ligt."
Het doet dit op drie manieren:

1. Lokaal: Het kijkt per dorp: "Is dit dorp onvoorspelbaar?"
2. Statistisch: "Hoe breed is de spreiding van de data?"
3. Zelfvertrouwen: "Ben ik hier zeker van, of gok ik?"

Als er een orkaan aankomt, zegt HealthMamba niet: "Ik weet het zeker", maar: "Ik weet het niet zeker, dus ik geef een brede waarschuwing." Dit helpt beleidsmakers om niet op een vals zekerheid te bouwen.

3. Wat leverde het op?

De onderzoekers hebben HealthMamba getest in vier grote staten in de VS (Californië, New York, Texas, Florida) met data van echte ziekenhuizen.

• Resultaat: Het was 6% nauwkeuriger dan de beste andere methoden.
• Betrouwbaarheid: Het gaf veel betere waarschuwingen (onzekerheidsmeting) dan de concurrenten.
• Noodscenario's: Tijdens de COVID-lockdowns en orkanen bleef HealthMamba stabiel, terwijl andere modellen in de war raakten.

Samenvattend

HealthMamba is als een slimme, voorzichtige voorspeller die niet alleen naar het verleden kijkt, maar ook naar de kaart, het weer en de bevolking. En het belangrijkste: als het onzeker is, zegt hij dat eerlijk, zodat we nooit verrast worden door een plotselinge stroom aan ziekenhuisbezoekers.

Dit helpt overheden om beter voorraden medicijnen te houden, meer artsen in te plannen en mensen sneller te helpen, zelfs als er iets onverwachts gebeurt.

Technische samenvatting

Probleemstelling

Het voorspellen van bezoeken aan zorginstellingen is cruciaal voor het optimaliseren van de toewijzing van gezondheidszorgbronnen en het vormgeven van gezondheidsbeleid. Bestaande methoden hebben echter drie fundamentele beperkingen:

1. Gebrek aan fijnmazigheid: Veel studies focussen op geaggregeerde voorspellingen en negeren de specifieke verschillen tussen typen zorginstellingen (bijv. poliklinieken, ziekenhuizen, verpleeghuizen).
2. Neglect van ruimtelijke afhankelijkheden: De meeste modellen behandelen dit als een puur tijdreeksvoorspellingsproblema, waardoor cruciale ruimtelijke afhankelijkheden tussen verschillende locaties en regio's worden genegeerd.
3. Onbetrouwbaarheid bij uitzonderlijke situaties: Bestaande state-of-the-art modellen leveren vaak onbetrouwbare voorspellingen tijdens publieke noodsituaties (zoals de COVID-19-pandemie) of extreme weersomstandigheden, omdat ze geen betrouwbare onzekerheidsschattingen (uncertainty quantification) bieden.

Methodologie: HealthMamba

De auteurs stellen HealthMamba voor, een onzekerheidsbewust spatiotemporale framework dat bestaat uit drie kerncomponenten:

1. Unified Spatiotemporal Context Encoder (STCE)

Deze module fuseert heterogene informatiebronnen tot compacte representaties:

• Input: Historische bezoekgegevens, statische demografische attributen (bijv. bevolkingsopbouw) en dynamische externe factoren (bijv. weer, bereikbaarheid).
• Verwerking: Het gebruikt feature embedding layers om deze data naar een gemeenschappelijke ruimte te projecteren. Vervolgens wordt ruimtelijke encoding toegepast via grafconvolutie (gebaseerd op een afstandsmatrix) en temporele encoding via een lichtgewicht "temporal mixer" (diep 1D-convolutie en kanaalmixing) om zowel ruimtelijke als temporele dynamiek te vangen.

2. GraphMamba Backbone (G-Mamba)

Dit is het centrale verwerkingsnetwerk dat een innovatieve integratie van adaptief grafleren en State Space Models (SSM) toepast:

• Architectuur: Een UNet-achtige structuur met encoder-decoder blokken en skip-connections.
• Adaptief Grafleren: In plaats van een statische grafstructuur te gebruiken, leert het model data-gedreven, schaal-specifieke grafstructuren via een attentie-mechanisme. Dit stelt het in staat om de onderlinge afhankelijkheden tussen regio's dynamisch aan te passen.
• SSM Integratie: Het gebruikt een "Mamba"-architectuur (selective state spaces) binnen de grafblokken om efficiënte lange-termijn afhankelijkheden te modelleren, wat essentieel is voor complexe spatiotemporele patronen.

3. Onzekerheidskwalificatie (Uncertainty Quantification - UQ) Module

Om betrouwbare voorspellingen te garanderen, zelfs bij abnormale gebeurtenissen, integreert HealthMamba drie complementaire mechanismen:

• Node-based UQ: Leert per regio specifieke voorspellingsintervallen (quantiles) om lokale heteroscedasticiteit te vangen.
• Distribution-based UQ: Past een parametrische verdeling (bijv. heteroscedastisch Gaussisch) toe om aleatorische onzekerheid (ruis in de data) te modelleren.
• Parameter-based UQ: Gebruikt MC Dropout (Monte Carlo Dropout) tijdens inferentie om epistemische onzekerheid (onzekerheid door het model zelf) te schatten.
• Post-hoc Quantile Calibration: Een correctiestap die de voorspellingsintervallen kalibreert op een vastgehouden dataset om te garanderen dat de empirische dekking overeenkomt met het doel (bijv. 90%).

Kernbijdragen

• Conceptueel: De eerste aanpak die zorginstellingsbezoek voorspelling formuleert als een onzekerheidsbewuste spatiotemporale taak met expliciete ruimtelijke modellering per type instelling.
• Technisch: De ontwikkeling van HealthMamba met de nieuwe GraphMamba-backbone en een geïntegreerde UQ-module die drie verschillende onzekerheidsmechanismen combineert.
• Empirisch: Uitgebreide validatie op vier grote datasets (Californië, New York, Texas, Florida) die aantonen dat het model superieur is aan bestaande methoden.

Resultaten

Het model is geëvalueerd tegenover 13 state-of-the-art baselines (waaronder GNN's, Transformers, LLM's en andere Mamba-varianten) op vijf metrieken (MAE, RMSE, MPIW, IS, Coverage).

• Voorspellingsnauwkeurigheid: HealthMamba behaalde een verbetering van ongeveer 6,0% in voorspellingsnauwkeurigheid (MAE) vergeleken met de beste bestaande baselines.
• Onzekerheidskwalificatie: Er was een verbetering van 3,5% in de kwaliteit van de onzekerheidsschatting (Interval Score), met name door het bereiken van de doeldekking (≥90%) in alle scenario's.
• Robuustheid: Het model presteerde consistent goed bij zowel korte-termijn (1 dag) als middellange-termijn (7 dagen) voorspellingen.
• Uitzonderlijke situaties: Tijdens de COVID-19-lockdowns en orkaan Hanna behield HealthMamba nauwkeurige voorspellingen en hield de grondwaarheid binnen de voorspellingsintervallen, terwijl andere modellen faalden om zich aan te passen aan de plotselinge veranderingen.
• Efficiëntie: Het model is computerefficiënt (65 seconden per epoch, 892K parameters) en significantly sneller en lichter dan LLM-gebaseerde methoden.

Betekenis en Impact

HealthMamba biedt een robuust en betrouwbaar instrument voor beleidsmakers en gezondheidszorgbeheerders. Door niet alleen het "gemiddelde" aantal bezoeken te voorspellen, maar ook de mate van onzekerheid te kwantificeren, kunnen beslissingen over resource-allocatie (bijv. personeelsplanning, voorraadbeheer) worden genomen met een beter inzicht in risico's. Dit is van cruciaal belang voor de voorbereiding op en het beheer van publieke gezondheidscrisissen en extreme weersomstandigheden, waarbij traditionele modellen vaak falen. De open-source implementatie bevordert verdere adoptie en onderzoek in dit domein.