Local Influenza Forecasts Outperform State-Level Forecasts in the United States

Resumo Técnico: Previsões Locais de Influenza Superam Previsões em Nível Estadual nos Estados Unidos

Definição do Problema
A previsão precisa de doenças infecciosas é essencial para o planejamento de saúde pública, mas existe uma lacuna crítica na tradução de percepções nacionais e estaduais para a escala local. Nos Estados Unidos, a maioria das previsões de influenza é gerada em nível estadual, o que pode mascarar uma substancial heterogeneidade subestatal nas dinâmicas da doença. Essa limitação é particularmente pronunciada em estados grandes (ex: Texas, Califórnia), onde áreas metropolitanas experimentam trajetórias epidêmicas distintas impulsionadas por diferenças demográficas, de mobilidade e de infraestrutura de saúde. Consequentemente, os tomadores de decisão em estados grandes frequentemente dependem de previsões altamente agregadas que podem não refletir as realidades locais, enquanto aqueles em estados menores beneficiam-se de projeções geograficamente mais precisas. A questão central abordada é se as previsões de influenza geradas usando dados locais de Áreas de Serviço de Saúde (HSA) são mais precisas do que aquelas derivadas exclusivamente de dados de nível estadual quando avaliadas na escala local.

Metodologia
O estudo utilizou estimativas semanais da porcentagem de visitas ao Departamento de Emergência (DE) atribuíveis à influenza do Programa Nacional de Vigilância Sindrômica (NSSP) do CDC. A análise concentrou-se em 173 Áreas de Serviço de Saúde (HSAs) metropolitanas grandes em 31 estados, excluindo regiões com populações abaixo de 250.000 para mitigar o ruído estocástico associado a amostras menores.

• Modelos de Previsão: O motor principal de previsão foi um modelo de Regressão Quantílica de Gradient Boosting (GBQR), selecionado por seu forte desempenho em avaliações recentes do CDC FluSight. Este modelo gera distribuições preditivas completas através de quantis. Para comparação, os autores também implementaram um modelo ARIMA automatizado e um modelo de linha de base de quantis.
• Desenho Experimental: Previsões retrospectivas foram geradas para as temporadas de influenza 2022–2023, 2023–2024 e 2024–2025. Os modelos foram treinados com dados das outras duas temporadas mais observações disponíveis até a data da previsão dentro da temporada alvo. As previsões foram produzidas semanalmente de outubro a março para horizontes de 1 a 4 semanas.
• Métricas de Avaliação: O desempenho foi avaliado no nível da HSA usando três métricas padrão:
  1. Cobertura do Intervalo de Predição de 95%: Avaliando a calibração probabilística.
  2. Erro Médio Absoluto (MAE): Avaliando a precisão da previsão pontual.
  3. Pontuação de Intervalo Média Ponderada (MWIS): Uma métrica composta que avalia tanto a precisão quanto a quantificação da incerteza.
• Análise de Preditores: Para identificar onde a previsão local oferece maior valor, os autores empregaram um Modelo Linear Generalizado (GLM) para analisar a relação entre a melhoria da previsão (diferença de MWIS entre modelos locais e estaduais) e as características regionais. Os preditores incluíram a proporção população da HSA em relação ao estado, a proporção da população da HSA que vive em áreas urbanas e o número de Áreas Estatísticas Metropolitanas (MSAs) dentro de um estado.

Principais Resultados

• Superioridade das Previsões Locais: As previsões locais (nível de HSA) superaram consistentemente as previsões de nível estadual em todos os horizontes. Nos horizontes de 1, 2 e 3 semanas, as previsões locais alcançaram valores de MWIS mais baixos em 98,8%, 90,8% e 78,6% das HSAs, respectivamente.
• Magnitude da Melhoria: A pontuação de intervalo média ponderada para as previsões locais foi, em média, 39,2% menor do que as previsões baseadas no estado no horizonte de uma semana, diminuindo para 19,6% e 11,4% nos horizontes de duas e três semanas, respectivamente.
• Calibração: As previsões locais demonstraram melhor calibração. No horizonte de uma semana, os modelos locais alcançaram uma taxa de cobertura média de 0,91 em comparação com 0,59 para os modelos estaduais (visando 0,95). Essa lacuna persistiu, embora tenha diminuído, em horizontes mais longos.
• Impulsionadores da Melhoria: A análise do GLM revelou que a vantagem de desempenho da previsão local foi mais pronunciada em:
  • HSAs que representam uma parcela menor do total da população de seu estado.
  • HSAs altamente urbanizadas.
  • Estados subdivididos em um maior número de MSAs (indicando maior fragmentação subestatal).
• Variação Geográfica: Os ganhos projetados foram mais altos em estados fragmentados e multimetropolitanos como Califórnia e Texas, e partes do Sudeste, enquanto regiões homogêneas e de baixa densidade populacional mostraram benefícios mais limitados.

Significância e Alegações
O artigo alega que a modelagem em escala fina pode melhorar substancialmente a precisão das previsões, particularmente em jurisdições de médio a grande porte dentro de estados heterogêneos. Os autores argumentam que as previsões locais não são apenas viáveis, mas consistentemente mais precisas do que as projeções estaduais quando aplicadas a áreas locais.

A significância desses achados reside no seu potencial para melhorar a preparação e a resposta à saúde pública. Decisões relativas à gestão de sobrecarga de cuidados de saúde, alcance direcionado e comunicação de risco são frequentemente tomadas em níveis locais ou regionais. Ao fornecer previsões que capturam as dinâmicas epidêmicas locais em vez de médias estaduais suavizadas, os oficiais de saúde pública podem receber orientações mais oportunas e acionáveis. O estudo sugere que o investimento direcionado na capacidade de previsão local é mais propenso a gerar retornos significativos em estados grandes e demograficamente diversos, onde o tempo e a intensidade da epidemia variam significamente entre as regiões.

Limitações
Os autores observam várias limitações:

• A análise é restrita a HSAs com populações >250.000; o desempenho em jurisdições menores ou rurais pode diferir devido ao aumento do ruído estocástico.
• A análise de regressão utilizou variáveis de estrutura populacional interpretáveis em vez de maximizar a precisão preditiva via aprendizado de máquina complexo, o que pode ter perdido interações de ordem superior.
• A comparação assume que as previsões estaduais são aplicadas diretamente às áreas locais sem recalibração, o que pode não refletir todas as práticas operacionais.
• O estudo foca na porcentagem de visitas ao DE, que serve como um indicador normalizado de dinâmicas, mas não é uma medida direta do ônus da doença (ex: hospitalizações ou mortes).