Data-Driven Hybrid Model of SARIMA-CNNAR For Tuberculosis Incidence Time Series Analysis in Nepal

Deze studie presenteert een hybride SARIMA-CNNAR-model dat, door lineaire seizoenspatronen en niet-lineaire trends te combineren, de nauwkeurigste prognoses voor tuberculose-incidentie in Nepal levert en hiermee de bestaande methoden zoals SARIMA, LSTM en XGBoost overtreft.

De kern

Hoe een slim computerprogramma helpt om Tuberculose in Nepal te voorspellen

Stel je voor dat Nepal een enorme, levende stad is waar Tuberculose (TB) een onzichtbare gast is die elke maand weer opduikt. Soms komt hij op een rustig moment, soms op een drukke feestdag. De uitdaging voor de gezondheidszorg is: Wanneer komt hij precies, en hoeveel mensen zullen ziek worden? Als ze dit niet weten, hebben ze misschien te weinig medicijnen of te weinig artsen op het moment dat de druk het hoogst is.

Dit onderzoek, gedaan door een team van Nepalese experts, heeft een nieuwe, slimme manier bedacht om deze "gast" te voorspellen. Ze hebben een hybride model gebouwd. Laten we dat uitleggen met een paar simpele vergelijkingen.

1. Het probleem: De oude kaart is niet genoeg

Vroeger gebruikten artsen alleen SARIMA. Je kunt dit vergelijken met een oude, betrouwbare weerman. Deze weerman kijkt naar de geschiedenis: "Elke lente is het vaak regent, en elke winter is het koud." Hij is goed in het voorspellen van de standaard patronen.

Maar er was een probleem: de wereld veranderde. Door de coronapandemie en andere gebeurtenissen gedroeg TB zich niet meer zoals gewoonlijk. Het was alsof de weerman probeerde het weer te voorspellen terwijl er plotseling een vulkaan uitbarstte. Zijn oude regels werkten niet meer goed. Hij zag alleen de rechte lijnen, maar miste de complexe, kromme lijnen van de werkelijkheid.

2. De oplossing: Een team van twee

De onderzoekers dachten: "Laten we twee experts samenwerken!" Ze bouwden een team bestaande uit:

• De Weerman (SARIMA): Hij kijkt naar de vaste patronen. "In maart en augustus is het altijd druk."
• De Detective (CNNAR): Dit is een kunstmatige intelligentie (een soort computerhersenen) die goed is in het vinden van verborgen patronen. Hij kijkt naar wat de Weerman niet zag. Hij zoekt naar de rare, kromme lijntjes en de onverwachte schokken in de data.

Hoe werkt het samen?
Stel je voor dat de Weerman zegt: "Volgende maand verwachten we 3.000 patiënten."
De Detective kijkt naar de fouten van de Weerman uit het verleden en zegt: "Wacht, de Weerman vergeet dat er in mei extra druk is door de landbouwseizoenen en dat de mensen na de vakantie meer naar de dokter gaan. Ik zie een extra piek van 500 patiënten."

Het eindresultaat is: 3.000 (Weerman) + 500 (Detective) = 3.500 patiënten.
Dit is hun Hybride Model: een combinatie van de oude, betrouwbare regels en de nieuwe, slimme hersenen.

3. Wat hebben ze ontdekt?

Toen ze dit nieuwe team testten op de data van Nepal (van 2015 tot 2024), zagen ze drie belangrijke dingen:

• Het aantal patiënten groeit: Het aantal TB-gevallen is in 10 jaar tijd met bijna 70% gestegen. Van ongeveer 2.000 mensen per maand in 2015 naar meer dan 3.400 in 2024.
• Het is seizoensgebonden: Er zijn twee momenten in het jaar waarop het altijd drukker is: maart-mei en juli-augustus. Dit is als een "seizoen" van ziekte, net zoals het regenseizoen.
• De coronapandemie was een breuk: In 2020 zagen ze een plotselinge daling (mensen durfden niet naar de dokter), gevolgd door een enorme stijging daarna. Het oude model kon dit niet voorspellen, maar het nieuwe hybride model wel.

4. Wie was de beste?

De onderzoekers lieten hun nieuwe team wedijveren tegen andere bekende methodes, zoals:

• Facebook Prophet: Een populaire tool voor voorspellingen.
• LSTM: Een ander type slimme computerhersenen.
• XGBoost: Een krachtige statistische methode.

De uitslag: Het nieuwe Hybride Team (SARIMA + CNNAR) won!
Het maakte de minste fouten. Waar de andere methoden soms 10% of meer naast het juiste antwoord zaten, zat het hybride team binnen de 7,2%. Dat is alsof je een doelpunt voorspelt en je raakt de paal, terwijl de anderen de tribune raken.

5. Waarom is dit belangrijk voor de mensen in Nepal?

Dit is niet zomaar een wiskundig spelletje. Het heeft echte gevolgen:

• Voorbereiding: Als het model zegt: "In maart 2025 wordt het erg druk," kunnen de ziekenhuizen nu al medicijnen bestellen en extra artsen plannen.
• Geen verrassingen: Ze hoeven niet meer in paniek te raken als er plotseling veel patiënten binnenkomen. Ze weten het al van tevoren.
• Slimme hulp: Het helpt om de hulp te sturen naar de plekken waar het nodig is, voordat de crisis echt uitbreekt.

Conclusie

Kortom: De onderzoekers hebben een slimme "co-piloot" gebouwd voor de Nepalese gezondheidszorg. Door een oude, betrouwbare methode te koppelen aan een moderne, slimme computer, kunnen ze de toekomst van Tuberculose veel beter zien. Het is alsof ze een kaart hebben die niet alleen de wegen toont, maar ook de verkeersfiles en ongelukken die nog gaan gebeuren. Hierdoor kunnen ze de gezondheid van de mensen beter beschermen.

Technische samenvatting

Titel: Data-gedreven hybride model van SARIMA-CNNAR voor tijdsreeksanalyse van tuberculose-incidentie in Nepal

1. Probleemstelling

Tuberculose (TB) blijft een enorme uitdaging voor de volksgezondheid in Nepal, met incidentiecijfers die aanzienlijk hoger liggen dan de wereldwijde schattingen. Er is een dringende behoefte aan nauwkeurige prognoses om vroege waarschuwingssystemen te ondersteunen, hulpbronnen efficiënt toe te wijzen en gerichte interventies te plannen.
Bestaande modellen hebben echter beperkingen:

• Lineaire modellen (zoals SARIMA) kunnen complexe, niet-lineaire patronen en structurele breuken (bijv. door de COVID-19-pandemie) niet goed vangen.
• Standaard deep learning-modellen (zoals feed-forward netwerken) missen vaak de capaciteit om lokale temporele afhankelijkheden en sequentiële patronen in epidemiologische data effectief te modelleren.
• Er ontbreekt een gevalideerd hybride model specifiek voor de Nepalese context, die unieke geografische en demografische kenmerken heeft.

2. Methodologie

De studie gebruikt een retrospectieve tijdsreeksbenadering met maandelijkse TB-incidentiegegevens van januari 2015 tot december 2024 (120 maanden), verkregen van het Nationaal Tuberculose Bestuurscentrum (NTCC).

A. Data Preprocessing:

• Ontbrekende waarden: Geïmputeerd met Kalman-filtering om de tijdsreeks-integriteit te behouden.
• Uitbijters: Geïdentificeerd via de IQR-methode en gecorrigeerd of afgekapt.
• Normalisatie: Min-max normalisatie ([0,1]) toegepast op de trainingsset om datalekken te voorkomen.
• Kalender: Conversie van de Nepalese kalender (Bikram Sambat) naar de Gregoriaanse kalender.

B. Het Hybride SARIMA-CNNAR Model:
Het kernidee is een "boosting"-benadering waarbij twee modellen worden gecombineerd:

1. SARIMA (Seasonal Autoregressive Integrated Moving Average): Modelleren van de lineaire trend en seizoensgebonden patronen. Het optimale model was SARIMA(1,1,1)(1,1,1)[12].
2. CNNAR (Convolutional Neural Network Auto-Regressive): Modelleren van de niet-lineaire residuen die door SARIMA niet werden gevangen. De CNNAR gebruikt convolutielagen om lokale temporele patronen te extraheren uit de fouten van het SARIMA-model.
   • Formule: $y_t = \hat{y}_t^{SARIMA} + \hat{y}_t^{CNNAR}$
   • De CNNAR architectuur gebruikt convolutiefilters om interacties tussen huidige en verleden waarden te leren, gevolgd door een dichte laag voor de uiteindelijke voorspelling.

C. Vergelijkende Modellen (Benchmarks):
Het hybride model werd vergeleken met:

• Standaard SARIMA
• Standaard CNNAR
• LSTM (Long Short-Term Memory)
• Facebook Prophet
• XGBoost

D. Evaluatie:

• Data-splitsing: 90% training (2015-2023), 10% test (2024).
• Validatie: 5-voudige time-series cross-validatie.
• Metrieken: MAE (Mean Absolute Error), RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error) en $R^2$.
• Robuustheid: Sensitiviteitsanalyse op hyperparameters en structurele breuken (o.a. COVID-19 periodes).

3. Belangrijkste Resultaten

A. Epidemiologische Trends:

• De maandelijkse gemiddelde TB-incidentie steeg met 68,4% van 2.048 gevallen in 2015 naar 3.447 in 2024.
• Duidelijke seizoenspatronen werden waargenomen met pieken in maart-mei en juli-augustus.
• Drie significante structurele breuken werden geïdentificeerd (april 2020, oktober 2021, juni 2022) gerelateerd aan de COVID-19-pandemie en het herstel.

B. Modelprestaties (Testset 2024):
Het hybride SARIMA-CNNAR model presteerde het best op alle metrieken:

Model	MAE	RMSE	MAPE (%)	$R^2$
Hybride SARIMA-CNNAR	248,35	294,31	7,26%	0,79
CNNAR	251,08	336,55	7,70%	0,73
LSTM	267,91	324,55	7,52%	0,75
XGBoost	314,74	373,99	8,51%	0,66
Prophet	371,15	478,40	10,49%	0,45
SARIMA	401,11	503,93	10,99%	0,39

• Het hybride model verlaagde de foutmarge (MAPE) aanzienlijk ten opzichte van het lineaire SARIMA-model (van 10,99% naar 7,26%).
• De $R^2$ van 0,79 toont aan dat het model 79% van de variantie in de testdata verklaart, wat een aanzienlijke verbetering is ten opzichte van SARIMA (0,39).

C. Voorspelling 2025:
Het model voorspelt een voortzetting van de seizoensgebonden pieken in 2025, met een verwachte piek in mei (ongeveer 4.196 gevallen) en een daling in de herfstmaanden.

4. Bijdragen en Innovatie

1. Eerste gevalideerde hybride toepassing voor Nepal: Dit is het eerste onderzoek dat een SARIMA-CNNAR hybride model succesvol toepast en valideert voor TB-voorspelling in een laag-inkomensland met specifieke epidemiologische uitdagingen.
2. Superieure Architectuur: Het bewijst dat het combineren van lineaire seizoensmodellen met niet-lineaire residu-modellering via convolutie-netwerken (CNN) superieur is aan zowel pure statistische methoden als pure deep learning-methoden voor deze dataset.
3. Omgaan met Structuurveranderingen: Het model toont robuustheid tegenover de grote verstoringen veroorzaakt door de COVID-19-pandemie, waar lineaire modellen faalden.
4. Open Science: De code en data zijn beschikbaar gesteld voor reproduceerbaarheid.

5. Betekenis en Toepassing

De resultaten hebben directe implicaties voor het Nepalese Nationale Tuberculose Programma:

• Vroege Waarschuwing: Het model kan seizoenspieken tot 12 maanden van tevoren voorspellen, wat het mogelijk maakt om diagnostische middelen (zoals GeneXpert-cartridges) en personeel proactief in te plannen.
• Ressourcenplanning: De voorspellingen ondersteunen een evidence-based benadering voor de inkoop van medicijnen en laboratoriumbenodigdheden.
• Scalabiliteit: De methodologische framework is overdraagbaar naar andere infectieziekten (zoals influenza of dengue) en andere landen met vergelijkbare data-systemen.

Beperkingen:
Het model vertoont een lichte systematische onderverwachting (bias) tijdens piekmaanden in 2024, waarschijnlijk omdat de post-pandemische stijging extreem was. Toekomstig onderzoek moet gericht zijn op het integreren van exogene variabelen (zoals weer en mobiliteit) en het gebruik van asymmetrische verliesfuncties om onderverwachtingen van piekincidentie te straffen.

Conclusie:
Deze studie demonstreert dat data-gedreven hybride modellen een krachtig instrument zijn voor de volksgezondheid in beperkte hulpbronnenomgevingen. Door de sterkte van statistische modellen te combineren met de flexibiliteit van deep learning, biedt het SARIMA-CNNAR model een robuustere basis voor besluitvorming dan traditionele methoden.