Predicting COVID-19 incidence from seroprevalence and population-based cohort data using interpretable machine learning with differential privacy analysis

Dit onderzoek toont aan dat geaggregeerde seroprevalentiegegevens uit cohortstudies, gecombineerd met interpretable machine learning en differentieel privacy, nauwkeurige voorspellingen van lokale COVID-19-infectiecijfers mogelijk maken en waardevolle inzichten bieden in de gedrags- en immunologische drijvers van de verspreiding.

De kern

Stel je voor dat je probeert het weer te voorspellen. Normaal gesproken kijken we naar de thermometer en de regenmeter (de officiële cijfers van het RIVM over besmettingen). Maar wat als we ook naar de mensen in de buurt kijken? Kijken ze naar de lucht? Dragen ze een regenjas? Hebben ze net een paraplu gekocht?

Dit onderzoek doet precies dat, maar dan voor het coronavirus. De onderzoekers hebben gekeken of ze het aantal nieuwe besmettingen beter konden voorspellen door niet alleen naar de officiële cijfers te kijken, maar ook naar een grote groep mensen die regelmatig bloed hebben laten prikken en vragenlijsten hebben ingevuld.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Grote Verzameling (De MuSPAD-studie)

Stel je een enorme pot met duizenden pennen voor. Elke pen vertegenwoordigt een persoon. Deze mensen hebben niet alleen een bloedtest gedaan (om te zien of ze het virus hebben gehad), maar hebben ook verteld:

• Hebben ze een masker gedragen?
• Hebben ze hun baan verloren of veranderd?
• Hebben ze zich laten testen?
• Hebben ze zich laten vaccineren?

De onderzoekers hebben al deze individuele verhalen samengevoegd tot één groot "gemiddeld verhaal" per regio. Ze noemen dit aggregatie. Het is alsof je van duizenden individuele stemmen één duidelijk koor maakt.

2. De Digitale Profeet (Machine Learning)

Vervolgens hebben ze een slimme computer (een machine learning-model) opgeleid om te voorspellen hoeveel mensen de komende week besmet zouden raken. Ze hebben verschillende soorten "profeet-computers" getest:

• De Kijk-Op-Het-Moment Computer: Kijkt alleen naar wat er vandaag gebeurt.
• De Tijd-Reiziger Computer: Kijkt ook naar wat er gisteren, vorige week en maandag gebeurde.

Het resultaat? De "Tijd-Reiziger" (vooral een model genaamd LSTM) was de beste. Hij kon de pieken en dalen van het virus veel nauwkeuriger voorspellen dan de modellen die alleen naar de officiële cijfers keken.

3. De Geheimen in de Cijfers (Wat was belangrijk?)

De computer was niet alleen slim, maar ook eerlijk. De onderzoekers hebben gekeken waarom de computer bepaalde voorspellingen deed. Ze ontdekten dat bepaalde gedragingen heel sterk samenhangen met het aantal besmettingen:

• Het "Restaurant-Geheim": Mensen die aangaven geen masker te dragen in restaurants, voorspelden vaak een stijging in besmettingen. Dit is logisch: in een restaurant praat je veel en dicht bij elkaar.
• De "Test-Geest": Als mensen aangaven dat ze zich lieten testen (of juist niet), was dat een belangrijke aanwijzing. Soms zegt het niet testen iets over de angst of het gedrag van mensen.
• De "Werk-Verandering": Als mensen aangaven dat hun werk veranderde (bijvoorbeeld thuiswerken of ontslag), was dat ook een teken. Dit komt waarschijnlijk doordat mensen zich aanpassen aan maatregelen van de overheid.
• Het "Masker-Paradox": Curieus genoeg voorspelden mensen die wel een masker droegen in de openbare ruimte soms een hogere besmettingsgraad. Waarom? Omdat mensen zich bewust worden van het gevaar en zich gaan beschermen als er al veel besmettingen zijn. Het masker is dus een reactie op het gevaar, niet de oorzaak ervan.

4. Het Geheimhoudings-Spel (Privacy)

Dit is misschien wel het coolste deel. De onderzoekers wilden niet dat iemand uit de dataset kon worden herkend. Ze gebruikten een techniek genaamd Differenziële Privacy.

Stel je voor dat je een geheim wilt delen, maar je wilt niet dat de luisteraar precies weet wat jij hebt gezegd. Je voegt dan een beetje "ruis" of "statistiek" toe, alsof je een beetje nevel over je stem legt.

• Het effect: Hoe meer nevel (privacy), hoe moeilijker het voor de computer is om de perfecte voorspelling te doen. De voorspelling wordt iets minder scherp.
• De verrassing: Maar zelfs met die nevel, bleven de belangrijkste lessen (zoals "maskers in restaurants zijn belangrijk") duidelijk zichtbaar! De computer kon nog steeds zien wat er belangrijk was, zonder dat hij de identiteit van de mensen onthulde.

5. De Les voor de Toekomst

Dit onderzoek laat zien dat we niet alleen moeten kijken naar de "telling" van besmettingen (de officiële cijfers), maar ook naar het "gedrag" van de mensen.

• Officiële cijfers zijn als de thermometer: ze meten de koorts.
• Deze studie kijkt ook naar of de mensen een deken dragen, of ze ramen openzetten of of ze naar de dokter gaan.

Door deze twee dingen te combineren met slimme computers, kunnen we in de toekomst sneller zien waar een nieuwe golf van het virus vandaan komt. En het goede nieuws: we kunnen dit doen zonder de privacy van de burgers te schenden.

Kortom: Door naar de verhalen van de mensen te luisteren (in plaats van alleen naar de cijfers), krijgen we een scherpere en menselijker kijk op hoe het virus zich verspreidt.

Technische samenvatting

Titel: Voorspellen van COVID-19 incidentie vanuit seroprevalentie en populatie-gestuurde cohortdata met behulp van interpretable machine learning en differentieel privacy-analyse

1. Probleemstelling

Tijdens de COVID-19-pandemie speelden gerapporteerde incidentiecijfers een centrale rol in de volksgezondheidsbewaking. Deze data bieden echter beperkt inzicht in de gedragsmatige, immunologische en sociaaleconomische drijfveren van transmissie. Populatie-gestuurde seroprevalentiestudies, gekoppeld aan enquête-data, vormen een rijke maar onderbenutte bron van individuele informatie die de routinematige bewaking kan aanvullen.
De uitdaging ligt in het gebruik van deze geaggregeerde cohortdata om lokale incidentie te voorspellen en interpreteerbare factoren te identificeren die de transmissiedynamiek beïnvloeden, terwijl tegelijkertijd de privacy van individuele deelnemers wordt gewaarborgd (bijv. volgens GDPR). Bestaande machine learning (ML) toepassingen focussen vaak op geaggregeerde covariaten of individuele uitkomsten, maar zelden op het aggregeren van individuele cohortdata voor populatieniveau-voorspellingen.

2. Methodologie

De studie maakt gebruik van data uit de MuSPAD-studie (Multilocal SeroPrevalence) in Duitsland (2020–2022), met meer dan 32.000 deelnemers uit acht regio's.

• Data-voorbereiding:

  • Individuele data (bloedmonsters en vragenlijsten) werden geaggregeerd naar populatieniveau per dag.
  • Numerieke variabelen werden gemiddeld; categorische variabelen werden omgezet in binaire indicatorvariabelen.
  • De dataset bevatte 279 observatiedagen en 122 kenmerken (features), inclusief serologische metingen, gedrag (bijv. mondkapjesgebruik), werkgerelateerde veranderingen en testgeschiedenis.
  • De labels waren de dagelijkse 7-daagse incidentie per 100.000 inwoners (bron: Robert Koch-Instituut).

• Modellen:
  Er werden twee categorieën modellen getraind om de 7-daagse incidentie te voorspellen:

  1. Tijd-onafhankelijke modellen: LASSO (regressie met regularisatie) en MLP (Multilayer Perceptron). Deze behandelen elke dag als een onafhankelijk datapunt.
  2. Tijd-bewuste modellen: VAR (Vector Autoregressive) en LSTM (Long Short-Term Memory). Deze gebruiken historische incidentie als extra input om temporele afhankelijkheden te modelleren.

• Privacy (Differentieel Privacy - DP):
  Om individuele privacy te beschermen, werd Differentially Private Stochastic Gradient Descent (DP-SGD) toegepast tijdens het trainen van de modellen. Dit introduceert gecontroleerde ruis (noise) in de gradiënten, gestuurd door het privacy-budget $\epsilon$. De implementatie werd uitgevoerd in R.

• Interpreteerbaarheid (Explainable AI - XAI):

  • Voor lineaire modellen (LASSO, VAR) werden regressiecoëfficiënten gebruikt.
  • Voor de "black-box" modellen (MLP, LSTM) werden LIME (Local Interpretable Model-agnostic Explanations) en SHAP (SHapley Additive exPlanations) toegepast om de belangrijkste voorspellers te identificeren.

3. Belangrijkste Resultaten

• Voorspellende Prestaties:

  • Het integreren van MuSPAD-kenmerken verbeterde de prestaties aanzienlijk ten opzichte van basismodellen (die alleen tijd of historische incidentie gebruikten).
  • LSTM met MuSPAD-data leverde de beste prestaties op de testset (RMSE: 4.36), gevolgd door LASSO.
  • Tijd-bewuste modellen (LSTM, VAR) presteerden over het algemeen beter in het vastleggen van trends dan tijd-onafhankelijke modellen, hoewel LASSO goed presteerde in het volgen van korte-termijn fluctuaties zonder overfitting.

• Interpreteerbare Drijfveren:
  Verschillende factoren bleven consistent belangrijke voorspellers over alle modellen heen:

  • Testgeschiedenis: Aantal PCR-tests en eerdere positieve uitslagen waren sterk geassocieerd met hogere incidentie.
  • Werkgerelateerde veranderingen: Veranderingen in werk (bijv. ontslag, korter werken) waren significante voorspellers.
  • Mondkapjesgebruik: "Geen mondkapje in het restaurant" was een sterke indicator voor hogere incidentie. Omgekeerd suggereerde een toename van mondkapjesgebruik in andere situaties vaak een reactie op stijgende incidentie (gedragsrespons).
  • Immuniteit: In niet-temporele modellen correleerden antilichamen negatief met incidentie (beschermend effect). In temporele modellen was dit patroon complexer en soms positief geassocieerd, wat wijst op correlatie met eerdere transmissiegolven in plaats van directe causale bescherming.

• Impact van Differentieel Privacy:

  • Prestatie: Striktere privacy (kleinere $\epsilon$) leidde tot een monotoon toenemende fout op de trainingsset. Op de validatieset was er echter een niet-monotoon patroon: matige privacy ($\epsilon=4, 8$) fungeerde als regularisatie en verbeterde soms de generalisatie, terwijl zeer strikte privacy ($\epsilon=1$) de prestaties sterk verslechterde.
  • Interpreteerbaarheid: SHAP-waarden bleven robuust en stabiel ondanks de privacy-ruis. LIME-waarden waren echter gevoeliger voor de toegevoegde ruis en vertoonden meer variatie bij striktere privacy-budgetten. Dit suggereert dat SHAP beter geschikt is voor privacy-bewuste settings.

4. Bijdragen en Betekenis

• Nieuwe Data-Source: Het artikel demonstreert dat geaggregeerde seroprevalentie-cohortdata waardevolle, interpreteerbare signalen bevatten die routinematige surveillance aanvullen, vooral op het gebied van gedrag en sociaaleconomische factoren.
• Methodologische Innovatie: Het combineert succesvol interpretable machine learning met differentieel privacy in een medische context. Het toont aan dat het mogelijk is om waardevolle inzichten te halen uit gevoelige data zonder de privacy van individuen te schenden.
• Praktische Toepassing: De bevindingen onderstrepen het belang van het monitoren van gedragsfactoren (zoals testgedrag en werkveranderingen) voor het voorspellen van epidemische dynamiek.
• Privacy-Aware XAI: De studie biedt inzicht in hoe privacy-maatregelen de interpretatie van modellen beïnvloeden en adviseert het gebruik van globale methoden (zoals SHAP) boven lokale methoden (zoals LIME) wanneer differentieel privacy wordt toegepast.

Conclusie:
De studie bewijst dat het combineren van seroprevalentie-cohortdata met interpretable machine learning leidt tot nauwkeurige voorspellingen van COVID-19 incidentie en inzicht geeft in de onderliggende drijfveren. Ondanks de noodzaak van privacy-bewaking (DP), blijven de belangrijkste inzichten robuust, wat een solide basis vormt voor toekomstige digitale epidemiologie en datagedreven beleidsvorming.