Analysis of the Epidemiological Characteristics of Tuberculosis in Shenyang City, Liaoning Province, and Construction of a Time Series Model

Technische Samenvatting: Analyse van de Epidemiologie van Tuberculose en Tijdreeksmodellering in Shenyang

Probleemstelling
Tuberculose (TB) blijft een kritieke uitdaging voor de volksgezondheid in China, maar bestaand onderzoek richt zich vaak op nationale of provinciale macro-niveau trends, waardoor er een gat ontstaat in gedetailleerde, langdurige epidemiologische analyses voor specifieke steden in het noordoosten van China. Bovendien is er een gebrek aan kwantitatieve evaluaties met betrekking tot schommelingen in de incidentie van ziekten vóór en na de COVID-19-pandemie, en is er een schaarste aan toepasbare voorspellende modellen die op deze regio zijn afgestemd. Deze studie adresseert deze hiaten door de epidemiologische kenmerken van pulmonale tuberculose (PTB) in Shenyang van 2015 tot 2024 te analyseren en een robuust tijdreeksmodel te ontwikkelen om toekomstige incidentietrends te voorspellen.

Methodologie
De studie maakte gebruik van een retrospectieve analyse van surveillancegegevens uit het "Tuberculosis Management Information System" (een subsysteem van het China CDC Informatiesysteem), die 38.928 nieuwe PTB-gevallen rapporteerde in Shenyang tussen 2015 en 2024.

1. Beschrijvende Epidemiologie: De auteurs analyseerden temporele trends, demografische kenmerken (geslacht, leeftijd, beroep) en ruimtelijke distributiepatronen. De ruimtelijke analyse omvatte het koppelen van incidentiecijfers aan administratieve grenzen (vectorkaarten) om gelaagde, kleurgecodeerde kaarten voor 13 districten/counties te generen met behulp van ArcGIS.
2. Tijdreeksmodellering: Twee verschillende modellen werden geconstrueerd met behulp van maandelijkse incidentiegegevens van 2015 tot 2023:
   • Holt–Winters Additive Exponential Smoothing: Geselecteerd uit eenvoudige seizoensgebonden, additieve en multiplicatieve varianten op basis van fit-metrieken (RMSE, MAE, MAPE, $R^2$).
   • Seasonal Autoregressive Integrated Moving Average (SARIMA): Het optimale model werd geïdentificeerd via stationariteitstesten (ADF-test), parametertest via ACF/PACF-plots, en minimalisatie van AIC- en BIC-waarden.
3. Modelvalidatie: Beide modellen werden gevalideerd tegen werkelijke maandelijkse gegevens van januari tot december 2024. Diagnostische controles omvatten residuanalyse (Ljung–Box Q-test, ACF/PACF-plots en Q–Q-plots) om te waarborgen dat de residuen witte ruis vormden en een normale verdeling volgden.
4. Voorspelling: Het superieure model werd gebruikt om de maandelijkse PTB-incidentiecijfers voor 2025–2027 te projecteren.

Belangrijkste Resultaten

• Epidemiologische Trends: Het algemene gerapporteerde incidentiecijfer in Shenyang vertoonde een fluctuerende neerwaartse trend, dalend van 46,91 per 100.000 in 2015 naar 61,11 per 100.000 in 2024 (opmerking: de abstract vermeldt een daling van 2019 naar 2020, terwijl de discussie een algemene daling van 2015 tot 2024 noteert, met een specifieke rebound na de pandemie). Een significante seizoensgebonden bimodale distributie werd waargenomen, met pieken in de lente (maart–april) en de winter (november–december).
• Impact van de Pandemie: Vergeleken met 2019 daalde het incidentiecijfer in 2020 met 15,46% (abstract) of 27,03% (discussie), wat de steilste daling in de onderzoeksperiode markeert. Dit werd toegeschreven aan verminderd menselijk contact en de herallocatie van medische middelen tijdens de pandemie. Van 2021 tot 2024 fluctueerden de gevallen en hadden ze een neiging tot toename, waarschijnlijk door de versoepeling van beperkingen en vertraagde casdetectie.
• Demografische Verschillen:
  • Geslacht: Mannen waren verantwoordelijk voor 71,02% van de gevallen.
  • Leeftijd: De hoogste last verschoof in de loop van de tijd; vóór 2021 was de leeftijdsgroep 18–35 het meest getroffen, terwijl vanaf 2021 individuen van ≥60 jaar de groep met de hoogste incidentie werden.
  • Beroep: Huishoudens en werklozen vormden de grootste proportie (73,53%), gevolgd door boeren (14,26%).
• Ruimtelijke Heterogeniteit: Significante regionale verschillen werden geïdentificeerd. Het district Yuhong had de hoogste gemiddelde incidentie (79,33 per 100.000), terwijl de districten Liaozhong en Heping de laagste hadden. Trends varieerden per district, waarbij sommige een dalende trend lieten zien en andere (bijv. Yuhong, Faku, Kangping) een stijgende trend vertoonden.
• Modelprestaties:
  • Het SARIMA(0,1,1)(0,1,1)$_{12}$ model vertoonde een superieure prestatie vergeleken met het Holt–Winters additieve model. Het behaalde een lagere MAE (6,5765 vs. 6,7783) en MAPE (15,0731% vs. 15,1449%) en ving korte-termijn fluctuaties en extreme veranderingen beter op.
  • Beide modellen slaagden voor de residudiagnostiek, wat hun validiteit voor korte-termijnvoorspellingen bevestigt.
  • Voorspellingen voor 2025–2027 wijzen op een voortgezette geleidelijke dalende trend met stabiele seizoensgebonden fluctuaties.

Belangrijkste Bijdragen

• Regionale Epidemiologische Data: De studie biedt de eerste systematische, langdurige (2015–2024) analyse van de TB-epidemiologie specifiek voor Shenyang, waarmee een leegte in de data op stadsniveau in het noordoosten van China wordt opgevuld.
• Kwantificering van de Pandemie-impact: Het evalueert kwantitatief de onderdrukking van de TB-incidentie tijdens de pandemie en de daaropvolgende rebound, wat empirisch bewijs levert voor de gecombineerde effecten van preventieve maatregelen en verstoringen in de gezondheidszorg.
• Voorspellende Modellering: De studie vestigt en valideert een SARIMA-model als een betrouwbaar instrument voor het voorspellen van TB-trends in deze specifieke stedelijke context, waarbij het de Holt–Winters methode overtreft in het vastleggen van complexe fluctuaties.
• Basis voor Gerichte Strategieën: Door specifieke risicogroepen (ouderen, werklozen/huishoudens, boeren) en regio's met een hoge incidentie te identificeren, biedt de studie een datagestuurde basis voor het afstemmen van preventie- en bestrijdingsstrategieën.

Betekenis en Claims
De auteurs beweren dat dit onderzoek nauwkeurig het evolutiepatroon van de TB-incidentie in Shenyang beschrijft, gekenmerkt door een initiële daling gevolgd door een post-pandemische fluctuatie en stijging. De studie stelt dat de bevindingen:

1. De empirische epidemiologische data voor steden in het noordoosten van China aanvullen.
2. Een theoretische basis bieden voor het uitvoeren van epidemiologische analyse en trendvoorspelling in Shenyang en soortgelijke steden.
3. Een wetenschappelijke basis bieden voor het ontwikkelen van gerichte preventie- en bestrijdingsstrategieën, met name voor hoog-risicopopulaties en regio's met een stijgende incidentie.
4. Aantonen dat het SARIMA-model een waardevol, interpreteerbaar instrument is voor instanties op het gebied van volksgezondheid om toekomstige TB-belastingen te anticiperen en middelen effectief toe te wijzen.

De auteurs hanteren een bescheiden toon met betrekking tot beperkingen, waarbij zij erkennen dat de modellen geen externe factoren zoals klimaat of populatiebewegingen hebben opgenomen en dat de betrouwbaarheidsintervallen van de voorspellingen in de loop van de tijd breder worden. Zij suggereren dat toekomstig werk hybride modellen (bijv. LSTM) kan verkennen, maar benadrukken de huidige bruikbaarheid van het gevestigde SARIMA-model voor routinematige planning in de volksgezondheid.