DOI: https://doi.org/10.1186/s12911-024-02702-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39379946
تاريخ النشر: 2024-10-09
المؤلف: Steffen Albrecht وآخرون
الموضوع الرئيسي: دراسات وبائية حول COVID-19
نظرة عامة
تبحث الدراسة في فعالية نماذج التنبؤ في توقع دخول المستشفيات بسبب الأمراض التنفسية الحادة في أوكلاند، نيوزيلندا، مع التركيز على تحسين إدارة المستشفيات خلال الأوبئة الموسمية. من خلال استخدام مجموعة بيانات مستمدة من المراقبة النشطة التي تتماشى مع تعريف حالة العدوى التنفسية الحادة الشديدة (SARI) لمنظمة الصحة العالمية، تستخدم الدراسة تقنيات التعلم الآلي المتقدمة، بما في ذلك المحولات المدربة مسبقًا والشبكات العصبية الاصطناعية، لتوليد توقعات أحادية ومتعددة المتغيرات. تشير النتائج إلى أن نماذج التعلم الآلي تتفوق بشكل كبير على طرق التنبؤ الموسمية البسيطة، خاصة عند ضبط الدقة الزمنية للتوقعات، مما يعزز موثوقية التنبؤات الاحتمالية.
تؤكد الدراسة على أهمية دمج بيانات المختبر حول دوران الفيروسات التنفسية، مما يكشف عن تباينات ملحوظة في معدلات الحدوث من موسم لآخر. لا يحسن هذا الدمج دقة التنبؤ فحسب، بل يبرز أيضًا الإمكانية لتحسين تخطيط موارد المستشفيات، خاصة للجراحة الاختيارية خلال فترات الذروة في الدخول. تتعزز أهمية هذه البحث في سياق جائحة COVID-19، حيث تضع الأساس للدراسات المستقبلية التي ستتناول التعقيدات التي أدخلتها التحولات في البيانات بسبب التدخلات الصحية العامة. مع توفر بيانات جديدة من سنوات ما بعد الجائحة، ستكون لها دور حيوي في تحسين النماذج لتوقع دخول المستشفيات بسبب الأمراض الشبيهة بالإنفلونزا، مما يساعد في استعداد أنظمة الرعاية الصحية لمواجهة تفشي الأمراض التنفسية في المستقبل.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحديات الكبيرة التي تطرحها الأوبئة الموسمية للعدوى التنفسية، والتي يمكن أن تؤدي إلى زيادة دخول المستشفيات وضغط أنظمة الرعاية الصحية على مستوى العالم. يؤكد المؤلفون على أهمية نماذج التنبؤ التي يمكن أن تتوقع ذروات الدخول المتعلقة بالعدوى التنفسية، مما يمكّن قادة الرعاية الصحية من تحسين تخصيص الموارد وإدارة الإجراءات الاختيارية بشكل فعال. تبرز الورقة التطبيق المتزايد للتعلم الآلي في التنبؤ بالسلاسل الزمنية، والذي يقدم دقة تنبؤية محسّنة مقارنة بالنماذج التقليدية مثل ARIMA. تتوفر مجموعة متنوعة من أطر البرمجيات التي تستخدم كل من الخوارزميات أحادية ومتعددة المتغيرات، مما يسمح بدمج مصادر بيانات متنوعة، مثل معلومات الطقس واتجاهات البحث على الإنترنت، لتعزيز أداء التنبؤ.
تبحث الدراسة بشكل خاص في إمكانية كل من خوارزميات التنبؤ أحادية ومتعددة المتغيرات لتوقع دخول المستشفيات بسبب العدوى التنفسية الحادة الشديدة (SARI) في مستشفيين في أوكلاند، باستخدام بيانات من نظام المراقبة SHIVERS. تتضمن مجموعة البيانات نتائج مختبرية مفصلة ومعلومات ديموغرافية، مما يمكّن من استكشاف الديناميات المعدية عبر مجموعات عمرية مختلفة. يهدف المؤلفون إلى مقارنة نماذج التعلم الآلي مع النماذج الموسمية البسيطة وتقييم ما إذا كان دمج متغيرات إضافية يمكن أن يقلل من أخطاء النمذجة. علاوة على ذلك، يخططون لتقييم التنبؤ الاحتمالي لتوفير فترات ثقة للتوقعات، وهو أمر حاسم في اتخاذ القرارات في إدارة المستشفيات. تمثل هذه الدراسة جهدًا رائدًا لتطبيق تقنيات التعلم الآلي على بيانات مراقبة SARI، مما يمهد الطريق للدراسات المستقبلية التي قد تتناول التعقيدات التي أدخلتها جائحة COVID-19.
طرق
في هذا القسم، يوضح المؤلفون مجموعة بيانات مراقبة SARI وخطوات المعالجة المسبقة التي تم اتخاذها قبل التحليل. يحددون التجارب المتعلقة بالتعلم الآلي التي تم إجراؤها، مع التأكيد على أهمية التحقق من صحة النموذج في نهجهم. تشير النتائج من تحليلات التنبؤ متعددة المتغيرات إلى أن الخوارزميات تستخدم بفعالية المعلومات من المكون المختبري، مما يؤدي إلى تحسين أداء النموذج. ومع ذلك، لاحظ المؤلفون عدم اتساق في هذه التحسينات، مما دفعهم لإجراء تحليل ارتباط للمكون المختبري لاستكشاف التباين الموجود في بيانات السلاسل الزمنية. يتم مناقشة هذا التحليل أيضًا ضمن القسم، مما يوفر رؤى حول العوامل المؤثرة على نتائج النموذج.
نتائج
تشير النتائج من معيار التنبؤ إلى أن دمج بيانات المختبر لا يعزز أداء النموذج بشكل موحد. تدفع هذه النتيجة إلى إجراء تحليل إضافي لبيانات المختبر قبل فحص آثار استخدام التوقعات عند دقات زمنية مختلفة. بالإضافة إلى ذلك، تتضمن الدراسة تقييمًا للتنبؤ الاحتمالي، وهو أمر حاسم لفهم تداعيات عدم اليقين في التنبؤ في سياق النماذج التي تم تحليلها.
مناقشة
في هذا القسم، يوضح المؤلفون المنهجيات والنتائج من بحثهم حول التنبؤ بالعدوى التنفسية الحادة الشديدة (SARI) باستخدام تقنيات التعلم الآلي. استخدمت الدراسة Python ومكتبة AutoGluon-TS لتنبؤ السلاسل الزمنية، مستفيدة من موارد الحوسبة عالية الأداء لإدارة المتطلبات الحسابية لتجاربهم. تتكون مجموعة البيانات من دخول المرضى اليومي بسبب SARI المرتبط بمختلف الفيروسات التنفسية، مع استراتيجيات معالجة البيانات المسبقة المستخدمة لضمان الاستخدام الفعال لهذه المعلومات القريبة من الوقت الحقيقي لتدريب النموذج. أكد المؤلفون على أهمية تسوية عدد الحالات اليومية لاشتقاق الاتجاهات، باستخدام نافذة منزلقة لمدة سبعة أيام لتخفيف تأثير التقلبات في دخول المستشفيات، خاصة خلال عطلات نهاية الأسبوع والعطلات.
تم هيكلة تجارب التنبؤ حول كل من النماذج أحادية ومتعددة المتغيرات، حيث تتضمن الأخيرة متغيرات إضافية مثل حالات SARI الخاصة بالفئات العمرية وبيانات دوران الفيروس. أجرى المؤلفون تقييمًا شاملاً لمعايير مختلفة، بما في ذلك ARIMA وETS ونماذج الشبكات العصبية مثل DeepAR وTemporal Fusion Transformer (TFT)، مع تقييم أدائها من خلال استراتيجية التحقق من صحة المشي ليوم واحد. أشارت النتائج إلى أنه بينما لم تستفد بعض النماذج، مثل TFT، بشكل متسق من ضبط المعلمات، أظهر DeepAR دقة محسّنة مع المعلمات المضبوطة، خاصة في الإعدادات متعددة المتغيرات. كشف تحليل الارتباط عن علاقات متباينة بين حالات الفيروس ودخول SARI، مما يشير إلى أنماط تنبؤية محتملة يمكن أن تعزز دقة التنبؤ. بشكل عام، تبرز الدراسة فعالية التعلم الآلي في التنبؤ بالصحة العامة، بينما تتناول أيضًا التحديات المتعلقة بفجوات البيانات والحاجة إلى المراقبة المستمرة.
DOI: https://doi.org/10.1186/s12911-024-02702-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39379946
Publication Date: 2024-10-09
Author(s): Steffen Albrecht et al.
Primary Topic: COVID-19 epidemiological studies
Overview
The research investigates the efficacy of forecasting models in predicting hospital admissions due to severe respiratory illnesses in Auckland, New Zealand, with a focus on enhancing hospital management during seasonal epidemics. By utilizing a dataset derived from active surveillance adhering to the World Health Organization’s Severe Acute Respiratory Infection (SARI) case definition, the study employs advanced machine learning techniques, including generative pre-trained transformers and artificial neural networks, to generate both univariate and multivariate forecasts. The findings indicate that machine learning models significantly outperform naïve seasonal forecasting methods, particularly when adjusting the temporal resolution of forecasts, which enhances the reliability of probabilistic predictions.
The study underscores the importance of integrating laboratory data on respiratory virus circulation, revealing notable season-to-season variations in incidence rates. This integration not only improves forecasting accuracy but also highlights the potential for better planning of hospital resources, especially for elective surgeries during peak admission periods. The relevance of this research is amplified by the context of the COVID-19 pandemic, as it lays the groundwork for future studies that will address the complexities introduced by data shifts due to public health interventions. As new data from the post-pandemic years becomes available, it will be instrumental in refining models for predicting influenza-like illness hospitalizations, thereby aiding in the preparedness of healthcare systems for future respiratory disease outbreaks.
Introduction
The introduction of this research paper addresses the significant challenges posed by seasonal epidemics of respiratory infections, which can lead to increased hospital admissions and strain healthcare systems globally. The authors emphasize the importance of forecasting models that can predict peaks in admissions related to respiratory infections, thereby enabling healthcare leaders to optimize resource allocation and manage elective procedures effectively. The paper highlights the growing application of machine learning in time series forecasting, which offers improved predictive accuracy over traditional models like ARIMA. Various software frameworks are available that utilize both univariate and multivariate algorithms, allowing for the integration of diverse data sources, such as weather information and internet search trends, to enhance forecasting performance.
The study specifically investigates the potential of both univariate and multivariate forecasting algorithms to predict hospital admissions due to severe acute respiratory infections (SARI) in two Auckland hospitals, utilizing data from the SHIVERS surveillance system. This dataset includes detailed laboratory results and demographic information, enabling the exploration of infectious dynamics across different age groups. The authors aim to benchmark machine learning models against naïve seasonal models and assess whether incorporating additional variables can reduce modeling errors. Furthermore, they plan to evaluate probabilistic forecasting to provide confidence intervals for predictions, which is crucial for decision-making in hospital management. This research represents a pioneering effort to apply machine learning techniques to SARI surveillance data, setting the stage for future studies that may address the complexities introduced by the COVID-19 pandemic.
Methods
In this section, the authors detail the SARI surveillance dataset and the preprocessing steps undertaken prior to analysis. They outline the machine learning experiments conducted, emphasizing the importance of model validation in their approach. The findings from the multivariate forecasting analyses indicate that the algorithms effectively utilize information from the laboratory component, leading to enhanced model performance. However, the authors noted inconsistencies in these improvements, prompting them to conduct a correlation analysis of the laboratory component to explore the variability present in the time series data. This analysis is also discussed within the section, providing insights into the factors influencing model outcomes.
Results
The results from the forecasting benchmark indicate that the incorporation of laboratory data does not uniformly enhance model performance. This finding prompts a further analysis of the laboratory data prior to examining the effects of utilizing forecasts at varying temporal resolutions. Additionally, the study includes an evaluation of probabilistic forecasting, which is crucial for understanding the implications of forecast uncertainty in the context of the analyzed models.
Discussion
In this section, the authors detail the methodologies and findings from their research on forecasting Severe Acute Respiratory Infections (SARI) using machine learning techniques. The study utilized Python and the AutoGluon-TS library for time series forecasting, leveraging high-performance computing resources to manage the computational demands of their experiments. The dataset comprised daily SARI patient admissions linked to various respiratory viruses, with data preprocessing strategies employed to ensure the effective use of this near real-time information for model training. The authors emphasized the importance of smoothing daily case counts to derive trends, using a sliding seven-day window to mitigate the impact of fluctuations in hospital admissions, particularly during weekends and holidays.
The forecasting experiments were structured around both univariate and multivariate models, with the latter incorporating additional covariates such as age group-specific SARI cases and virus circulation data. The authors conducted extensive benchmarking of various algorithms, including ARIMA, ETS, and neural network models like DeepAR and Temporal Fusion Transformer (TFT), assessing their performance through a one-day walk-forward validation strategy. Results indicated that while some models, like TFT, did not consistently benefit from parameter tuning, DeepAR exhibited improved accuracy with tuned parameters, particularly in multivariate settings. The correlation analysis revealed varying relationships between virus incidences and SARI admissions, suggesting potential predictive patterns that could enhance forecasting accuracy. Overall, the study highlights the effectiveness of machine learning in public health forecasting, while also addressing challenges related to data gaps and the need for continuous surveillance.