📄 medicine

Forecasting Influenza Incidence and Analyzing Interactive Effects of Environmental Factors across Different Age Groups in Beijing

Deze studie analyseert de influenza-epidemiologie in Beijing van 2005 tot 2020, waarbij wordt aangetoond dat het Holt-Winters-model andere tijdreeksmethoden overtreft voor enkelvoudige factorvoorspelling, terwijl een Bi-LSTM-model effectief meteorologische en luchtverontreinigingsgegevens integreert om leeftijdsgebonden omgevingsfactoren en interactie-effecten te onthullen voor gerichte preventiestrategieën.

Oorspronkelijke auteurs: Guolong Qu, Weiming Hou

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guolong Qu, Weiming Hou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Griep Voorspellen in Beijing

Stel je voor dat je probeert te voorspellen wanneer een storm een stad zal raken. Je moet naar het weer kijken, maar je moet ook weten wie er het meest waarschijnlijk nat wordt. Deze studie deed precies dat voor de griep in Beijing, China, waarbij gekeken werd naar gegevens van 2005 tot 2020.

De onderzoekers hadden drie hoofddoelen:

De beste "weervorcaster" vinden voor griepcijfers (met behulp van wiskundige modellen).
Ontdekken welke omgevings-"triggers" (zoals regen, hitte of smog) ervoor zorgen dat de griep piekt.
Zien of verschillende leeftijdsgroepen (kinderen, volwassenen, ouderen) anders reageren op deze triggers.

1. De Data Opschonen: De "Glitches" Verwijderen

Voordat ze begonnen met voorspellen, moesten de onderzoekers hun data opschonen. Denk aan de griepgevallen als een hartslagmonitor. Meestal heeft deze een constant ritme, maar soms schiet hij door de lucht door een glitch of een sensorfout.

In de ruwe data waren er enorme, onrealistische pieken in de griepgevallen (outliers) die geen zin maakten. De onderzoekers traden op als een geluidstechnicus die die "geklop en gekraak" wegwerkt om een helder signaal te krijgen. Dit maakte de data veel stabieler en betrouwbaarder voor hun modellen om te kunnen lezen.

2. De Voorspellingswedstrijd: Wie Won Er?

Het team organiseerde een race tussen drie verschillende wiskundige modellen om te zien welke het beste de griepcijfers voor het jaar 2020 kon voorspellen.

De Uitdagers:
- SARIMA: Een klassiek, rigide model dat probeert een rechte lijn te trekken door een kronkelige curve.
  - FKF (Kalman Filter): Een complex, hoogtechnologisch model dat vaak wordt gebruikt in navigatiesystemen.
- Holt-Winters: Een model dat specifiek is ontworpen om om te gaan met zaken die op en neer gaan per seizoen (zoals de griep).
Het Resultaat:
Het Holt-Winters model won de race met een overweldigende voorsprong.
- Waarom? De griep in Beijing is zeer seizoensgebonden (het houdt van de winter). Het Holt-Winters model is als een ervaren surfer die precies weet wanneer de golven (griepseizoenen) eraan komen.
- De Verliezers: Het SARIMA-model raakte in de war door de golven en voorspelde dat de griep zou stijgen wanneer deze juist daalde. De Kalman Filter was te glad; het voorspelde een vlakke lijn en miste de grote winterpieken volledig.

De Les: Voor eenvoudige griepvoorspelling in Beijing heb je geen ingewikkelde ruimtevaartwetenschap nodig; je hebt een model nodig dat seizoenen begrijpt.

3. Het Deep Learning Experiment: Het "Superbrein"

Vervolgens probeerden de onderzoekers een meer geavanceerde aanpak met behulp van Bi-LSTM, een type Kunstmatige Intelligentie (Deep Learning). In plaats van alleen naar de tijd te kijken, probeerde dit "superbrein" tegelijkertheidig te leren van veel verschillende omgevingsfactoren (temperatuur, regen, luchtvochtigheid en luchtvervuiling).

Hoe het presteerde:
- Voor Ouderen (60+): De AI was een ster. Het voorspelde de griepgevallen voor senioren met een hoge nauwkeurigheid en raakte niet in de war (overfitting). Het was als een wijze grootouder die precies weet wanneer de kou eraan komt.
- Voor Volwassenen (15–59): De AI had hier het meeste moeite. Het kon geen duidelijk patroon vinden, wat suggereert dat griepgevallen bij volwassenen worden beïnvloed door rommelige, onvoorspelbare factoren die het model niet kon vatten.
- Voor Kinderen (0–14): De AI deed het redelijk, maar maakte nog steeds enkele fouten.

4. De "Triggers": Wat Zorgt voor een Griepiepiek?

De onderzoekers gebruikten een hulpmiddel genaamd Random Forest (denk aan een team van besluitvormende bomen) om uit te zoeken welke omgevingsfactoren het belangrijkst waren.

De Universele Triggers: Voor iedereen (kinderen, volwassenen en ouderen) was het weer de baas. Temperatuur, neerslag en luchtvochtigheid waren de top drie redenen waarom de griep zich verspreidde.
De Leeftijdsspecifieke Triggers:
- Kinderen & Volwassenen (0–59): Deze groepen waren gevoelig voor Luchtvervuiling (specifiek de Air Quality Index of AQI). Het is alsof hun longen makkelijker geïrriteerd werden door smog, waardoor ze eerder de griep kregen.
- Senioren (60+): Deze groep maakte zich minder zorgen over algemene smog en was gevoeliger voor specifieke gassen zoals Koolmonoxide (CO) en Ozon (O₃). Dit kan komen doordat hun longen naarmate ze ouder worden minder goed in staat zijn om deze specifieke gassen te filteren.

5. Het "Dubbele Probleem"-Effect

Ten slotte keken ze naar hoe deze factoren samenwerkten.

De Bevinding: De meeste factoren werkten niet sterk samen. Echter, luchtvochtigheid fungeerde als een "volumeknop". Wanneer het vochtig was, werden de slechte effecten van luchtvervuiling iets luider (erger). Het is net zoals hoe nat hout anders brandt dan droog hout; het vocht veranderde de manier waarop de vervuiling mensen beïnvloedde.

Samenvattende Conclusie

Het artikel concludeert dat:

Eenvoud is beter: Het Holt-Winters model is het beste instrument om griepcijfers op basis van tijd alleen te voorspellen.
AI heeft grenzen: Het Bi-LSTM AI-model werkt goed voor ouderen maar heeft moeite met volwassenen, wat aantoont dat verschillende groepen verschillende voorspellingsinstrumenten nodig hebben.
Eén maat past niet iedereen: Hoewel het weer de belangrijkste boosdoener is voor iedereen, worden kinderen en volwassenen meer getroffen door algemene smog, terwijl ouderen meer worden getroffen door specifieke gassen zoals CO en Ozon.

Om de griep te stoppen, moeten we het weer nauwlettend in de gaten houden, maar we moeten ook onthouden dat een waarschuwing voor een 10-jarige misschien op andere verontreinigende stoffen moet focussen dan een waarschuwing voor een 80-jarige.

Technische Samenvatting: Voorspelling van de Incidentie van Influenza en Analyse van Interactieve Effecten van Omgevingsfactoren over Verschillende Leeftijdsgroepen in Beijing

Probleemstelling
Influenza blijft een zeer voorkomende ziekte die gevoelig is voor grootschalige epidemieën, met name in de winter, wat aanzienlijke uitdagingen vormt voor de volksgezondheidssystemen. Hoewel datagestuurde modellering steeds vaker wordt geïntegreerd in de surveillance van influenza, kampen bestaande benaderingen vaak met specifieke beperkingen: veel modellen vertrouwen op enkelvoudige algoritmen zonder geïntegreerde kaders, maken geen gebruik van hoogfrequente meteorologische en omgevingsvariabelen, en veronachtzamen de verwerking van uitschieters in ruwe tijdreeksgegevens. Bovendien is er een gebrek aan onderzoek naar hoe omgevingsfactoren verschillend interageren over specifieke leeftijdsgroepen, wat de ontwikkeling van precieze vroege waarschuwingen en gerichte interventiestrategieën belemmert. Deze studie beoogt deze hiaten aan te pakken door de epidemiologische kenmerken in Beijing (2005–2020) te analyseren, de voorspellende prestaties van tijdreeks- en deep learning-modellen te vergelijken, en de belangrijkste omgevingsfactoren en hun interacties over verschillende leeftijdsdemografieën te identificeren.

Methodologie
De studie maakte gebruik van maandelijkse influenza-surveillancegegevens van 2005 tot 2020 en omgevingsgegevens (meteorologische indicatoren en luchtverontreinigende stoffen) van 2014 tot 2020 in Beijing. De populatie werd gestratificeerd in vier groepen: de totale populatie, 0–14 jaar, 15–59 jaar en boven 60 jaar.

Data-preprocessing: Identificatie en correctie van uitschieters werden uitgevoerd op de tijdreeksgegevens om de stabiliteit te verbeteren terwijl de algemene distributiekenmerken behouden bleven.
Enkelvoudige-factor voorspelling: Drie tijdreeksmodellen werden geconstrueerd en geëvalueerd met behulp van een trainingsset (2005–2019) en een testset (2020):
- SARIMA: Volgens de Box-Jenkins procedure met seizoensgebonden differentiatie.
- Holt-Winters: Een additief model dat de reeks ontleedt in niveau, trend en seizoenscomponenten.
- Kalman Filter (FKF): Een state-space model met iteratieve voorspellings- en update-stappen.
- Metrieken: Root Mean Square Error (RMSE), Mean Absolute Error (MAE) en Mean Absolute Percentage Error (MAPE).
Multi-factor voorspelling: Een Bidirectional Long Short-Term Memory (Bi-LSTM) deep learning-model werd opgezet. Significante omgevingsfactoren werden gescreend via Spearman-correlatieanalyse. De dataset werd chronologisch gesplitst (75% training, 25% testen) om datalekken te voorkomen. Het netwerk maakte gebruik van een bidirectionele LSTM-laag, ReLU-activatie en early stopping-strategieën.
Interactiebeoordeling: Het Random Forest (RF) algoritme, gecombineerd met de index van de gemiddelde minimale diepte, werd ingezet om de belangrijkheid van variabelen te evalueren en de interactie-effecten tussen omgevingsfactoren te kwantificeren.

Belangrijkste Resultaten

Epidemiologische Trends: De incidentie van influenza in Beijing vertoonde een algemene stijgende trend van 2005 tot 2020, waarbij de winter de dominante seizoen was (75,76% van de gevallen). Kinderen in de leeftijd van 0–14 jaar waren de risicogroep met de hoogste incidentie (56,32% van de gevallen), terwijl de leeftijdsgroep 15–59 jaar de enige demografie was die een relatief hogere incidentie in de zomer vertoonde.
Prestaties van Enkelvoudige-factor Modellen: Het Holt-Winters additieve model presteerde consistent beter dan SARIMA en FKF over alle leeftijdsgroepen, met de laagste RMSE, MAE en MAPE. SARIMA vertoonde een slechte stabiliteit met overschatting of onderschatting van pieken, terwijl FKF vlakke curves produceerde die er niet in slaagden seizoensvariaties te vangen. Het Holt-Winters model werd geïdentificeerd als de optimale enkelvoudige-factor voorspeller.
Prestaties van Multi-factor Modellen: Het Bi-LSTM-model toonde een variërende effectiviteit over de leeftijdsgroepen. De oudere groep (boven 60 jaar) bereikte de hoogste voorspellingsnauwkeurigheid met de mildste overfitting (laagste testset RMSE en MAE). Daarentegen vertoonde de leeftijdsgroep 15–59 jaar de laagste determinatiecoëfficiënt ( $R^2$ ), en de totale populatiegroep vertoonde de grootste voorspellingsfouten.
Omgevingsdrivers en Interacties:
- Kernfactoren: Meteorologische factoren (temperatuur, neerslag en luchtvochtigheid) waren de dominante beïnvloedende factoren voor alle leeftijdsgroepen.
- Leeftijdsspecifieke Verontreinigende Stoffen: De Air Quality Index (AQI) had een significante impact op de leeftijdsgroepen 0–14 en 15–59 jaar. Voor ouderen (boven 60 jaar) waren Koolmonoxide (CO) en Ozon ( $O_3$ ) de prominente verontreinigende stoffen.
- Interacties: De algehele interactie-intensiteit tussen omgevingsfactoren was zwak. Echter, vochtige omstandigheden bleken de nadelige effecten van luchtverontreinigende stoffen licht te versterken.

Betekenis en Claims
Het artikel beweert dat het Holt-Winters-model de meest geschikte benadering is voor enkelvoudige-factor tijdreeksvoorspelling van influenza in Beijing, terwijl het Bi-LSTM-model effectief meerdere omgevingsfactoren integreert voor incidentievoorspelling. De studie benadrukt dat meteorologische factoren de primaire omgevingstriggers zijn voor influenza-epidemieën, maar dat de respons op luchtverontreinigende stoffen significant varieert per leeftijd.

De auteurs concluderen dat toekomstige systemen voor vroege waarschuwing voor influenza en gerichte interventiestrategieën volledig rekening moeten houden met leeftijdsstratificatie en de interactie tussen meteorologische factoren en luchtverontreinigende stoffen. Door te erkennen dat verschillende leeftijdsgroepen verschillend reageren op specifieke verontreinigende stoffen (bijv. AQI voor kinderen versus CO/ $O_3$ voor ouderen), kunnen overheidsinstanten op het gebied van de volksgezondheid nauwkeurigere preventie- en beheersmaatregelen ontwikkelen. De studie benadrukt ook dat complexe algoritmen niet inherent een superieure prestatie garanderen voor ziektevoorspelling; eenvoudigere modellen zoals Holt-Winters kunnen complexere modellen (zoals FKF of SARIMA) overtreffen wanneer gegevens sterke seizoensgebonden fluctuaties en langetermijntrends vertonen.

Genoteerde Beperkingen
De auteurs erkennen beperkingen, waaronder inconsistente tijdsdekking tussen surveillance en omgevingsgegevens, potentiële onderrapportage-bias in routinedata, en de uitsluiting van verstorende factoren zoals vaccinatiegraad en populatiebewegelijkheid. Daarnaast was de studie beperkt tot Beijing, wat de generaliseerbaarheid van de conclusies beperkt, en ontbrak een experimentele biologische verificatie van de synergetische effecten tussen variabelen.