📄 medicine

Application of SARIMA and Hybrid SARIMA–ANN Models in Predicting and Forecasting Scorpionism Cases in Brazil

Deze studie toont aan dat een hybride SARIMA–Artificial Neural Network-model traditionele SARIMA-benaderingen overtreft bij het voorspellen van maandelijkse gevallen van scorpionisme in Brazilië, waarbij een aanhoudende opwaartse trend en seizoenspatronen worden onthuld die de dringende behoefte aan verbeterde publieke gezondheidssurveillance en preventieve strategieën onderstrepen.

Oorspronkelijke auteurs: Amaury de Souza

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Amaury de Souza

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: Een Groeiend Probleem

Stel je Brazilië voor als een enorm huis waar een specifiek type gast — de schorpioen — een steeds wilder feestje geeft. In de afgelopen decennia is het aantal schorpioensteken (genoemd "scorpionisme") aanzienlijk toegenomen. Dit is niet alleen een probleem met insecten; het is een volksgezondheidsnoodtoestand. Het artikel legt uit dat dit gebeurt omdat steden snel groeien, de sanitaire voorzieningen soms tekortschieten en schorpioenen heel goed zijn geworden in het leven in menselijke buurten.

Het hoofddoel van dit onderzoek was om te fungeren als een weervorsteller, maar in plaats van regen te voorspellen, probeerden de onderzoekers te voorspellen wanneer en hoeveel mensen in de toekomst gestoken zouden worden door schorpioenen.

De Tools: Twee Verschillende Soorten Kristallen Ballen

Om deze voorspellingen te doen, gebruikte de auteur twee verschillende wiskundige "kristallen ballen" (modellen) en vergeleek deze om te zien welke beter was.

1. Het SARIMA-model (De "Strikte Regelvolger")
Beschouw het SARIMA-model als een strenge bibliothecaris die alleen een vast schema volgt. Het kijkt naar de historische gegevens en zegt: "Oké, elk jaar in juli gaan de aantallen omhoog, en in januari gaan ze omlaag. Ik zal gewoon dat patroon volgen."

Hoe het werkt: Het is goed in het herkennen van rechte lijnen en herhalende seizoenscycli (zoals het weer).
De bevinding van het artikel: Dit model werkte goed genoeg om de algemene trend en de jaarlijkse cycli te zien. Het kon ons vertellen dat de aantal schorpioensteken meestal piekt tijdens warmere, nattere maanden. Echter, het miste soms de plotselinge, extreme sprongen in aantallen omdat het ervan uitgaat dat de wereld erg geordend is.

2. Het Hybride SARIMA-ANN-model (De "Flexibele Detective")
Dit model is een samenwerking. Het neemt de "Regelvolger" (SARIMA) en koppelt deze aan een "Artificieel Neuraal Netwerk" (ANN).

De Analogie: Stel je voor dat het SARIMA-model eerst de eenvoudige wiskunde doet. Daarna kijkt het naar de fouten die het heeft gemaakt (de delen die het niet kon verklaren) en geeft die fouten door aan de ANN. De ANN is als een detective die getraind is om verborgen, rommelige patronen te vinden die geen regels volgen. Het kijkt naar de "overgebleven" chaos en ontdekt de vreemde, niet-lineaire redenen waarom de aantallen onverwacht piekten.
Hoe het werkt: Het combineert het gestage ritme van de seizoenen met het vermogen om te leren van complexe, rommelige verrassingen.
De bevinding van het artikel: Deze samenwerking was de winnaar. Het voorspelde de toekomst nauwkeuriger dan de Regelvolger alleen, omdat het zowel de voorspelbare seizoenen als de onvoorspelbare chaos kon aan kunnen.

Wat de Gegevens Daadwerkelijk Lieten Zien

De onderzoekers keken naar gegevens van 2007 tot 2025. Dit is wat zij vonden:

De Trend gaat Omhoog: Het aantal schorpioensteken is gestaag gestegen, als een trap die omhoog gaat. Het is niet slechts een tijdelijke piek; het is een langetermijngroei.
Het Seizoensritme: Er zit een duidelijke hartslag aan het probleem. Net zoals bloemen in de lente bloeien, komen schorpioensteken vaker voor in warmere, nattere maanden. De schorpioenen worden actiever en mensen worden vaker gestoken.
De Toekomstvoorspelling: Toen ze hun modellen gebruikten om vooruit te kijken (voorspellingen voor 2026), waren beide modellen het over één ding eens: het feest stopt niet. Er wordt verwacht dat het aantal steken hoog zal blijven. De "Flexibele Detective" (het hybride model) gaf een iets vloeiender, betrouwbaarder voorspelling, maar beide waarschuwden dat Brazilië zich moet voorbereiden op veel steken in het komende jaar.

Waarom Dit Er Toe Doet (Volgens het Artikel)

Het artikel betoogt dat we niet zomaar kunnen gokken wanneer de volgende golf van steken zal plaatsvinden. We hebben een plan nodig.

Vroege Waarschuwing: Als we weten dat de "seizoensperiode" eraan komt, kunnen ziekenhuizen meer medicijnen (antigif) voorbereiden en kunnen artsen zich klaarmaken.
Preventie: De studie suggereert dat het aanpakken van de grondoorzaken — zoals beter afvalbeheer, schonere riolen en het informeren van mensen over hoe ze schorpioenen kunnen vermijden — de enige manier is om de stijgende aantallen te stoppen.

De Beperkingen (Wat het Artikel Toegaf)

De auteur was eerlijk over de gebreken van hun kristallen bal:

Ontbrekende Gegevens: Soms worden steken in afgelegen gebieden niet gerapporteerd, waardoor de aantallen lager kunnen zijn dan de werkelijkheid.
Geen Weervariabelen: De modellen keken naar de geschiedenis van de steken, maar ze hebben niet expliciet dagelijkse temperatuur- of regengegevens ingevoerd. Het artikel suggereert dat toekomstige modellen deze specifieke weersdetails moeten bevatten om nog slimmer te worden.

De Kernboodschap

Dit artikel is een bewijs van concept dat het combineren van klassieke statistiek met moderne AI een beter hulpmiddel creëert om schorpioenaanvallen in Brazilië te voorspellen. Het "Hybride" model is het beste hulpmiddel dat momenteel beschikbaar is om het land te helpen zich voor te bereiden op een toekomst waarin schorpioensteken een grote gezondheidsuitdaging blijven.

Technische Samenvatting: Toepassing van SARIMA- en Hybride SARIMA–ANN-modellen bij het Voorspellen en Prognosticeren van Scorpionismegevallen in Brazilië

Probleemstelling
Scorpionisme (slagen door schorpioenen) is een kritieke milieu- en volksgezondheidsuitdaging geworden in Brazilië, gekenmerkt door een substantiële toename van het aantal gerapporteerde gevallen in de afgelopen decennia. Deze stijging wordt gedreven door stedelijke expansie, inadequate sanitaire voorzieningen, klimaatvariabiliteit en de ecologische adaptatie van Tityus-soorten (met name T. serrulatus, T. stigmurus en T. bahiensis) aan antropogene omgevingen. Hoewel de epidemiologische last hoog is, is er een tekort aan studies die geavanceerde tijdreeks- en machine learning-benaderingen toepassen om de temporele dynamiek van scorpionvergiftiging te voorspellen. Traditionele lineaire modellen falen vaak bij het vastleggen van de complexe niet-lineaire interacties die inherent zijn aan epidemiologische gegevens, wat de noodzaak creëert voor robuustere prognosekaders ter ondersteuning van de surveillance voor de volksgezondheid, de toewijzing van middelen en preventiestrategieën.

Methodologie
Deze retrospectieve kwantitatieve studie analyseerde maandelijks geaggregeerde gevallen van scorpionisme in Brazilië van 2007 tot 2025. Het onderzoek maakte gebruik van een tweestaps modelleringsbenadering:

SARIMA-modellering: Eerst werd een Seasonal Autoregressive Integrated Moving Average (SARIMA)-model gefit op de tijdreeks volgens de Box–Jenkins-methodologie. Het optimale model, SARIMA(1,1,1)(0,1,1)₁₂, werd geselecteerd op basis van het Akaike Information Criterion (AIC) en het Bayesian Information Criterion (BIC). Het model maakte gebruik van een seizoensperiode ( $s$ ) van 12 maanden om jaarlijkse cycli te verklaren.
Hybride SARIMA–ANN-modellering: Om potentiële niet-lineaire componenten die niet door de lineaire SARIMA-structuur worden gevangen aan te pakken, werden de residuen van het optimale SARIMA-model geëxtraheerd en gemodelleerd met behulp van een Artificieel Neuraal Netwerk (ANN). Specifiek werd een Multilayer Perceptron (MLP) met een logistische activatiefunctie getraind op deze residuen. De uiteindelijke hybride voorspelling werd geconstrueerd door de lineaire SARIMA-voorspellingen op te tellen bij de niet-lineaire ANN-residuele voorspellingen.
Evaluatie en Validatie: De prestaties van het model werden beoordeeld met behulp van de Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) en Mean Absolute Percentage Error (MAPE). De adequaatheid van het SARIMA-model werd geverifieerd via de Ljung–Box-test voor witte ruis-residuen. De voorspellende superioriteit van het hybride model ten opzichte van het enkelvoudige SARIMA-model werd statistisch gevalideerd met behulp van de Diebold–Mariano (DM) test.

Belangrijkste Bijdragen

Vergelijkende Modellering: De studie biedt een directe vergelijking tussen een standaard lineaire tijdreeksbenadering (SARIMA) en een hybride machine learning-benadering (SARIMA–ANN), specifiek voor gegevens over scorpionisme in Brazilië, een domein waar dergelijke voorspellende modellering momenteel beperkt is.
Implementatie van een Hybride Kader: Het demonstreert de technische haalbaarheid van het deconstrueren van epidemiologische tijdreeksen in lineaire en niet-lineaire componenten, het afzonderlijk modelleren hiervan, en het weer combineren om de nauwkeurigheid van de prognoses te verbeteren.
Voorspellingshorizon: De studie gaat verder dan louter beschrijvende analyse door puntvoorspellingen te genereren voor de periode 2026, wat een kwantitatieve basis biedt voor het anticiperen op toekomstige incidentietrends.

Resultaten

Temporele Trends: Exploratieve analyse bevestigde een duidelijke stijgende trend in het aantal gevallen van scorpionisme van 2007 tot 2025, samen met een uitgesproken seasonaliteit met pieken tijdens warmere en nattere maanden.
Modelprestaties: Het SARIMA(1,1,1)(0,1,1)₁₂-model slaagde erin de algemene trend en de seizoensgebonden oscillaties te vangen. Echter, residu-diagnostiek wees op de aanwezigheid van resterende niet-lineaire structuren.
Superioriteit van het Hybride Model: Het hybride SARIMA–ANN-model vertoonde een statistisch superieure voorspellende prestatie vergeleken met het standalone SARIMA-model, zoals aangetoond door lagere RMSE-, MAE- en MAPE-waarden en een significant resultaat in de Diebold–Mariano-test. Het hybride model toonde een verbeterd vermogen om seizoenspieken en abrupte fluctuaties in de incidentie te reproduceren.
Toekomstige Projecties: Beide modellen voorspelden het voortbestaan van verhoogde incidentieniveaus van scorpionisme gedurende 2026, waarbij het historische seizoenspatroon behouden bleef. Het hybride model produceerde gladdere en stabielere voorspellingen terwijl de seizoensstructuur behouden bleef.

Betekenis en Claims
Het artikel stelt dat de hybride SARIMA–ANN-benadering een veelbelovend instrument vormt voor de epidemiologische forecasting van scorpionisme in Brazilië. Door klassieke statistische methoden te integreren met kunstmatige intelligentie, claimt de studie een nauwkeurigere en betrouwbaardere methode te bieden voor het vastleggen van de complexe lineaire en niet-lineaire dynamiek van scorpionvergiftiging.

De auteurs positioneren deze bevindingen als een bijdrage aan de planning voor de volksgezondheid, waarbij zij suggereren dat dergelijke modellen kunnen ondersteunen bij de implementatie van vroegtijdige waarschuwingssystemen. Specifiek kunnen de voorspellingen gezondheidsautoriteiten helpen bij het anticiperen op risicovolle perioden, het optimaliseren van de ziekenhuisbereidheid, het toewijzen van antivenom-voorraden en het organiseren van gerichte preventieve campagnes. De studie concludeert dat, hoewel de modellen een bevredigend voorspellend vermogen vertonen, de groeiende last van scorpionisme versterkte surveillance, milieubeheer en preventiestrategieën vereist, waarbij het hybride model dient als een waardevol middel voor besluitvormingsprocessen.

Genoteerde Beperkingen
De auteurs erkennen dat de studie steunt op geaggregeerde secundaire gegevens, die onderhevig kunnen zijn aan onderrapportage en vertragingen in de melding. Bovendien bevatten de modellen geen expliciete klimatologische, omgevings- of sociaaleconomische variabelen (bijv. temperatuur, neerslag, bevolkingsdichtheid), die in toekomstige kaders potentieel de verklarende kracht zouden kunnen vergroten. Bijgevolg wordt geadviseerd om langetermijnvoorspellingen met voorzichtigheid te interpreteren.