Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
Deze studie toont aan dat de instabiele en seizoensgebonden variabele relaties tussen diverse surveillance-voorspellers en respiratoire ziekteuitkomsten de effectiviteit van statische voorspellingsmodellen en langdurige historische training ondermijnen, wat adaptieve strategieën en voortdurende evaluatie noodzakelijk maakt om de nauwkeurigheid van voorspellingen te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Elke winter keert een bekend ritme terug: virussen die verkoudheid, de griep en andere luchtweginfecties veroorzaken, beginnen te circuleren, waardoor ziekenhuizen tegen hun grenzen aan worden gedreven en gemeenschappen moeilijke keuzes moeten maken over veiligheid en zorg. Voor volksgezondheidsfunctionarissen is het doel om deze pieken te zien aankomen voordat ze arriveren, zodat zij ziekenhuizen kunnen voorbereiden, de personeelsbezetting kunnen aanpassen en het publiek kunnen adviseren. Om dit te doen, hebben wetenschappers voorspellingssystemen gebouwd die fungeren als weerberichten voor ziekte. In plaats van regenwolken te volgen, volgen deze systemen tekenen van infectie in de gemeenschap, zoals hoeveel mensen de spoedeisende hulp bezoeken met hoestklachten, hoeveel virustests positief uitvallen, of zelfs hoeveel virus er door de rioleringssystemen van de stad spoelt. Het onderliggende idee is lang geweest dat als je genoeg geschiedenis bekijkt, je een constant patroon kunt vinden: dat de relatie tussen deze vroege waarschuwingssignalen en het aantal mensen dat uiteindelijk in het ziekenhuis belandt, in de loop van de tijd constant blijft. Als dit waar zou zijn, zou een model dat getraind is op jaren aan gegevens in de loop der tijd simpelweg beter en nauwkeuriger worden naarmate het meer leert.
Een nieuwe studie uit Utah daagt echter deze geruststellende aanname uit. Onderzoekers daar zetten zich in om te testen of deze relaties tussen vroege waarschuwingssignalen en ziekenhuisopnames daadwerkelijk hetzelfde blijven, of dat ze verschuiven en veranderen naarmate de virussen zelf veranderen. Ze keken naar gegevens voor twee grote respiratoire dreigingen: SARS-CoV-2, het virus dat COVID-19 veroorzaakt, en influenza. Ze verzamelden een breed scala aan informatie, waaronder dagelijkse tellingen van ziekenhuisopnames onderverdeeld naar leeftijd, bezoeken aan de spoedeisende hulp waarbij patiënten symptomen van deze ziekten vertoonden, het percentage virustests dat positief was, en metingen van de virusconcentratie in afvalwater. Door deze verschillende stromen gegevens te vergelijken met de werkelijke ziekenhuiscijfers over meerdere jaren, ontdekte het team dat de verbanden tussen de waarschuwingssignalen en de uitkomsten verre van stabiel zijn. De patronen die standhielden tijdens één seizoen of voor één versie van een virus, vielen vaak uit elkaar tijdens het volgende.
De onderzoekers ontdekten dat wanneer ze naar alle gegevens van meerdere jaren tegelijk keken, de cijfers suggereerden dat er een sterke, consistente link bestond tussen de waarschuwingssignalen en ziekenhuisopnames. Het leek erop dat naarmate de bezoeken aan de spoedeisende hulp toenamen, de ziekenhuisopnames betrouwbaar zouden volgen. Maar dit beeld was misleidend. Wanneer de wetenschappers inzoomden om specifieke tijdsperioden te bekijken, zoals wanneer een nieuwe variant van het virus opdook of tijdens een specifiek griepseizoen, verdwenen die sterke links vaak of keerden ze zelfs om. Tijdens de vroege golven van de pandemie bewogen de gegevens van kinderen en volwassenen bijvoorbeeld niet samen; wat er in de ene groep gebeurde, zei weinig over wat er in de andere groep gebeurde. Later, toen nieuwe varianten verschenen, veranderden de relaties opnieuw. Hetzelfde gold voor de griep, waarbij het verband tussen signalen in het afvalwater en de ziekenhuiscijfers van seizoen tot seizoen veranderde. Dit betekent dat een model gebouwd op de aanname dat "meer geschiedenis gelijk staat aan betere voorspelling", zichzelf in feite traint op patronen die niet langer bestaan, wat de voorspellingen potentieel minder nauwkeurig maakt.
Om te zien hoe dit in de praktijk uitpakte, draaide het team tientallen verschillende voorspellingsmodellen om ziekenhuisopnames te voorspellen. Ze testten twee hoofdmethode om deze modellen te onderwijzen: één methode gebruikte een vaste, recente tijdsperiode aan gegevens, terwijl de andere methode steeds oudere jaren aan gegevens toevoegde, uitgaande van het idee dat een grotere geschiedenis zou helpen. De resultaten waren verrassend. De modellen die steeds meer oude historische gegevens opstapelden, presteerden over het algemeen slechter dan de modellen die zich alleen concentreerden op de meest recente weken. In veel gevallen slaagden de modellen die getraind waren op de langste geschiedenis aan gegevens er niet in om de omslagpunten van een uitbraak te voorspellen, zoals wanneer de gevallen begonnen te pieken of wanneer ze begonnen te dalen. De modellen die snel aanpasden aan de huidige situatie, waarbij de verre geschiedenis werd genegeerd, waren vaak betrouwbaarder. Dit suggereert dat de wereld van respiratoire virussen te vloeibaar is voor een enkele, statische formule. De manier waarop het virus zich gedraagt, hoe mensen medische zorg zoeken, en hoe het virus in ons water en in klinieken verschijnt, zijn allemaal in een staat van constante verandering.
De studie onthulde ook dat geen enkele type model of gegevensbron een wondermiddel is. Een methode die perfect werkte tijdens één golf van de pandemie, kon tijdens de volgende golf volledig falen. Evenzo kon een model dat de piek van de griep in één jaar accuraat voorspelde, de volgende het seizoen de plank misslaan. De onderzoekers ontdekten dat de beste aanpak niet was om te vertrouwen op één "beste" model, maar om een diverse groep van vele verschillende modellen samen te laten werken. Door de voorspellingen van vele verschillende benaderingen te combineren, kon het systeem robuust blijven, zelfs wanneer de onderliggende regels van de ziekte veranderden. Deze aanpak erkent dat de toekomst geen eenvoudige herhaling van het verleden is. In plaats van ervan uit te gaan dat het verleden de sleutel tot de toekomst bevat, moeten voorspellers van de volksgezondheid voortdurend controleren of hun instrumenten nog werken en bereid zijn hun methoden aan te passen naarmate het virus evolueert.
Uiteindelijk suggereert het werk uit Utah dat het voorspellen van respiratoire ziekten minder lijkt op het voorspellen van het weer, waarbij de natuurkunde van de atmosfeer grotendeels consistent blijft, en meer op het navigeren door een rivier die voortdurend van koers verandert. Het water stroomt anders afhankelijk van het seizoen, de regen en het terrein. De onderzoekers concludeerden dat om deze virussen voor te blijven, systemen voor de volksgezondheid het idee van een enkel, perfect model getraind op alle beschikbare geschiedenis moeten loslaten. In plaats daarvan moeten ze flexibele systemen bouwen die hun eigen prestaties in realtime kunnen evalueren, oude aannames kunnen verwerpen wanneer ze niet langer passen, en kunnen vertrouwen op een verscheidenheid aan verschillende perspectieven om zin te geven aan een verschuivend landschap. Dit vereist een continue samenwerking tussen wetenschappers en volksgezondheidsfunctionarissen, om ervoor te zorgen dat de instrumenten die worden gebruikt om gemeenschappen te beschermen, even dynamisch en responsief zijn als de bedreigingen die ze bedoeld zijn te volgen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.