DOI: https://doi.org/10.3389/fpubh.2025.1681569
PMID: https://pubmed.ncbi.nlm.nih.gov/41393012
تاريخ النشر: 2025-11-27
المؤلف: Qi Deng وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تتناول هذه الدراسة ارتفاع معدل الوفيات بسبب مرض القلب الناتج عن ارتفاع ضغط الدم (HHD) بين النساء في سن الإنجاب (WCBA) على مستوى العالم، مع التأكيد على الحاجة إلى نماذج تنبؤية دقيقة لتقييم فعالية التدخلات وتوقع الاتجاهات المستقبلية. تقارن البحث بشكل منهجي أداء أربعة نماذج تنبؤية أحادية المتغير—النموذج التلقائي المتكامل للمتوسط المتحرك (ARIMA)، والنموذج النبوي (Prophet)، وتقنية تعزيز التدرج الشديد (XGBoost)، وذاكرة المدى القصير والطويل (LSTM)—باستخدام بيانات الوفيات العالمية من قاعدة بيانات عبء المرض العالمي (GBD). تم تقييم النماذج بناءً على متوسط الخطأ التربيعي (MSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط النسبة المئوية المطلقة للخطأ (MAPE)، واختبار ديبولد-ماريانو (DM) للدلالة الإحصائية.
أشارت النتائج إلى أن نموذج LSTM تفوق على الآخرين بأدنى معدلات خطأ (MSE: 0.00021؛ MAE: 0.00872؛ MAPE: 0.662%)، بينما أظهرت جميع النماذج تحسنًا كبيرًا مقارنةً بـ ARIMA. ومن الجدير بالذكر أن كل من LSTM وProphet أظهرا دقة تنبؤية قابلة للمقارنة، حيث توقع LSTM انخفاضًا أوليًا في معدلات الوفيات تلاه استقرار من 2022 إلى 2030، على عكس توقع Prophet بارتفاع مستمر. تختتم الدراسة بأن نماذج التنبؤ الحديثة، وخاصة LSTM وProphet، تتفوق بشكل كبير على الطرق التقليدية مثل ARIMA في توقع وفيات HHD في WCBA. توفر هذه النتائج إطارًا لتحسين توقع عبء المرض في الصحة العامة، مما يمكّن من تخصيص الموارد بشكل أفضل واتخاذ القرارات. يجب أن تتضمن الأبحاث المستقبلية بيانات زمنية أطول لتحسين قوة هذه الاستنتاجات.
مقدمة
تناقش مقدمة هذه الورقة البحثية إطار عبء المرض العالمي (GBD)، الذي أنشأته منظمة الصحة العالمية (WHO) ومعهد القياسات الصحية والتقييم (IHME)، والذي يقيس الخسائر الصحية الناتجة عن مختلف الأمراض، بما في ذلك مرض القلب الناتج عن ارتفاع ضغط الدم (HHD). يتميز HHD بوجود شذوذات قلبية كبيرة نتيجة لارتفاع ضغط الدم لفترة طويلة، حيث تكون النساء عرضة بشكل خاص بسبب عوامل فسيولوجية مثل التقلبات الهرمونية خلال سنوات الإنجاب. هذه الفئة السكانية معرضة بشكل متزايد لخطر ارتفاع ضغط الدم، مما يمكن أن يؤدي إلى HHD، مما يبرز أهمية التنبؤ بدقة بالعبء المستقبلي لـ HHD في النساء في سن الإنجاب (WCBA) لتوجيه تخصيص الموارد الصحية وتحقيق الأهداف الصحية العالمية، مثل الهدف الثالث من أهداف التنمية المستدامة للأمم المتحدة.
تسلط الورقة الضوء على قيود طرق التنبؤ التقليدية، مثل النموذج التلقائي المتكامل للمتوسط المتحرك (ARIMA) ونماذج العمر-الفترة-الجيل، التي تكافح لالتقاط الديناميات غير الخطية لعبء المرض. وتؤكد على إمكانيات تقنيات التعلم الآلي، بما في ذلك XGBoost وشبكات الذاكرة طويلة المدى وقصيرة المدى (LSTM)، لتحسين دقة التنبؤ. تجري الدراسة مقارنة متعددة النماذج باستخدام معدلات الوفيات لـ HHD من WCBA كمتغير إدخال وحيد، مع استخدام تصميم متغيرات التحكم لتقييم أداء النماذج المختلفة. تهدف هذه المقاربة المنهجية إلى سد الفجوات الموجودة في الأدبيات وتوفير أدلة تجريبية لاختيار النماذج الفعالة في تحليلات بيانات الصحة، مما يساهم في توجيه التدخلات المستهدفة وتحسين تخصيص الموارد الصحية للسكان المعرضين للخطر.
طرق البحث
في هذه الدراسة، تم استخدام مجموعة متنوعة من المنهجيات الإحصائية وتقنيات التعلم الآلي لنمذجة وتوقع معدل الوفيات بسبب مرض القلب بين النساء في سن الإنجاب (WCBA). تم استخدام نموذج المتوسط المتحرك التلقائي المتكامل (ARIMA) لفعاليته في التنبؤ بالسلاسل الزمنية. بالإضافة إلى ذلك، تم تطبيق تقنيات التعلم الآلي المتقدمة، بما في ذلك XGBoost وشبكات الذاكرة طويلة المدى وقصيرة المدى (LSTM)، لالتقاط الأنماط المعقدة في البيانات. كما تم دمج إجراء التنبؤ النبوي، المعروف بقدرته على التعامل مع التأثيرات الموسمية والبيانات المفقودة، في التحليل. كانت هذه الأساليب المجمعة تهدف إلى تعزيز دقة توقعات معدل الوفيات في هذه الفئة السكانية.
النتائج
تشير نتائج التحقق من صحة نماذج ARIMA وProphet إلى قدرات تنبؤية متميزة فيما يتعلق بمعدلات الوفيات العالمية بسبب HHD بين النساء في سن الإنجاب (WCBA). أظهر نموذج ARIMA تباينات متزايدة بين المعدلات المتوقعة والفعلية للوفيات مع مرور الوقت، بينما أظهر نموذج Prophet دقة متفوقة، مع ملاحظة أن المعدل الفعلي للوفيات في عام 2016 كان أعلى قليلاً من المتوقع. على الرغم من أن نموذج Prophet فشل في التقاط الذروة في معدلات الوفيات في عام 2017، إلا أنه حافظ على توقعات مستقرة بعد ذلك.
في المقابل، كشفت تحقق نموذج XGBoost عبر نوافذ زمنية متعددة (4، 6، 8، 10، و12 يومًا) عن حساسية منخفضة لتغيرات حجم النافذة الزمنية. أظهرت توقعات النموذج اتساع الفجوة من 2016 إلى 2017، والتي ضاقت اعتبارًا من 2018، متماشية بشكل وثيق مع الملاحظات الفعلية من 2019 إلى 2021، على الرغم من أنها كانت تقدر باستمرار معدلات الوفيات الحقيقية بشكل أقل. وبالمثل، أشار تحقق نموذج LSTM إلى تباينات كبيرة بين القيم الفعلية والمتوقعة، خاصة في نافذة زمنية مدتها 4 أيام من 2016 إلى 2017، مع انخفاض تدريجي في الفروق مع مرور الوقت. أظهرت نوافذ 6 أيام و8 أيام اتجاهات من المبالغة في التقدير تليها تقليل التقدير، مما يعكس الديناميات الزمنية المعقدة في توقعات الوفيات.
المناقشة
في هذا القسم، تناقش الدراسة المنهجية والنتائج المتعلقة بتوقع معدلات الوفيات العالمية من مرض القلب الناتج عن ارتفاع ضغط الدم (HHD) بين النساء في سن الإنجاب (WCBA) باستخدام نماذج تنبؤية متنوعة. استخدمت التحليل بيانات الوفيات من قاعدة بيانات عبء المرض العالمي (GBD)، مع التركيز على تقنيات النمذجة الأحادية المتغير للتنبؤ بمعدلات الوفيات المستقبلية بناءً فقط على البيانات التاريخية. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (1990-2015) والتحقق (2016-2021) لضمان تقييم غير متحيز للنموذج وتقليل مخاطر الإفراط في التكيف.
تم استخدام أربعة نماذج للتنبؤ: ARIMA، Prophet، XGBoost، وLSTM. كان ARIMA بمثابة المعيار بسبب نهجه الإحصائي الكلاسيكي، بينما تم اختيار Prophet لقدرته على التعامل مع البيانات غير الثابتة من خلال التحلل الإضافي. تم دمج XGBoost مع تنظيم لتحسين دقة التنبؤ، وتم استخدام LSTM لقدرته على التقاط الاعتماديات طويلة المدى في بيانات السلاسل الزمنية. تم تقييم أداء النموذج باستخدام مقاييس مثل متوسط الخطأ التربيعي (MSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط النسبة المئوية المطلقة للخطأ (MAPE)، حيث أظهر نموذج LSTM دقة تنبؤية متفوقة (MSE: 0.00021؛ MAE: 0.00872؛ MAPE: 0.662%). أشار اختبار ديبولد-ماريانو إلى أن كل من LSTM وProphet تفوقا على النماذج الأخرى، مع عدم وجود فرق كبير بينهما، بينما أظهر ARIMA أضعف أداء. تؤكد النتائج على فعالية تقنيات التنبؤ الحديثة في التقاط تعقيدات بيانات الوفيات، مما يشير إلى أن اختيار النموذج يجب أن يأخذ في الاعتبار القابلية للتفسير والكفاءة الحسابية جنبًا إلى جنب مع القوة التنبؤية.
DOI: https://doi.org/10.3389/fpubh.2025.1681569
PMID: https://pubmed.ncbi.nlm.nih.gov/41393012
Publication Date: 2025-11-27
Author(s): Qi Deng et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This study addresses the rising mortality rate of hypertensive heart disease (HHD) among women of childbearing age (WCBA) globally, emphasizing the need for accurate predictive models to evaluate intervention effectiveness and anticipate future trends. The research systematically compares the performance of four univariate prediction models—AutoRegressive Integrated Moving Average (ARIMA), Prophet, eXtreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM)—using global mortality data from the Global Burden of Disease (GBD) database. The models were assessed based on Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and the Diebold-Mariano (DM) test for statistical significance.
Results indicated that the LSTM model outperformed the others with the lowest error rates (MSE: 0.00021; MAE: 0.00872; MAPE: 0.662%), while all models showed significant improvement over ARIMA. Notably, both LSTM and Prophet demonstrated comparable predictive accuracy, with LSTM predicting an initial decline in mortality rates followed by stabilization from 2022 to 2030, in contrast to Prophet’s prediction of a continued rise. The study concludes that modern forecasting models, particularly LSTM and Prophet, significantly surpass traditional methods like ARIMA in predicting HHD mortality in WCBA. These findings provide a framework for enhancing disease burden forecasting in public health, enabling better resource allocation and decision-making. Future research should incorporate longer time-series data to improve the robustness of these conclusions.
Introduction
The introduction of this research paper discusses the Global Burden of Disease (GBD) framework, established by the WHO and IHME, which quantifies health losses from various diseases, including Hypertensive Heart Disease (HHD). HHD is characterized by significant cardiac abnormalities resulting from prolonged hypertension, with women being particularly vulnerable due to physiological factors such as hormonal fluctuations during childbearing years. This demographic is at an increased risk for hypertension, which can lead to HHD, underscoring the importance of accurately predicting the future burden of HHD in women of childbearing age (WCBA) to guide health resource allocation and achieve global health goals, such as the United Nations’ Sustainable Development Goal 3.
The paper highlights the limitations of traditional forecasting methods, such as AutoRegressive Integrated Moving Average (ARIMA) and age-period-cohort models, which struggle to capture the nonlinear dynamics of disease burden. It emphasizes the potential of machine learning techniques, including XGBoost and Long Short-Term Memory (LSTM) networks, to improve prediction accuracy. The study conducts a multi-model comparison using mortality rates of HHD from WCBA as the sole input variable, employing a controlled-variable design to assess the performance of various models. This methodological approach aims to fill existing gaps in the literature and provide empirical evidence for effective model selection in health data analytics, ultimately informing targeted interventions and optimizing healthcare resource allocation for vulnerable populations.
Methods
In this study, various statistical and machine learning methodologies were employed to model and predict the mortality rate of heart disease among women of childbearing age (WCBA). Specifically, the Autoregressive Integrated Moving Average (ARIMA) model was utilized for its effectiveness in time series forecasting. Additionally, advanced machine learning techniques, including XGBoost and Long Short-Term Memory (LSTM) networks, were applied to capture complex patterns in the data. The Prophet forecasting procedure, known for its robustness in handling seasonal effects and missing data, was also incorporated into the analysis. These combined approaches aimed to enhance the accuracy of mortality rate predictions in this demographic.
Results
The validation results of the ARIMA and Prophet models indicate distinct predictive capabilities regarding global HHD mortality rates among women of childbearing age (WCBA). The ARIMA model displayed increasing deviations between predicted and actual mortality rates over time, while the Prophet model demonstrated superior accuracy, particularly noting that the actual mortality rate in 2016 was slightly higher than predicted. Although the Prophet model failed to capture the peak in mortality rates in 2017, it maintained stable predictions thereafter.
In contrast, the XGBoost model validation across multiple time windows (4, 6, 8, 10, and 12 days) revealed low sensitivity to variations in time window size. The model’s predictions showed a widening gap from 2016 to 2017, which narrowed from 2018 onwards, aligning closely with actual observations from 2019 to 2021, albeit consistently underestimating the true mortality rates. Similarly, the LSTM model validation indicated significant discrepancies between actual and predicted values, particularly in the 4-day time window from 2016 to 2017, with a gradual decrease in differences over time. The 6-day and 8-day time windows exhibited trends of overestimation followed by underestimation, reflecting complex temporal dynamics in mortality predictions.
Discussion
In this section, the study discusses the methodology and findings related to forecasting global mortality rates from hypertensive heart disease (HHD) among women of childbearing age (WCBA) using various predictive models. The analysis utilized mortality data from the Global Burden of Disease (GBD) database, focusing on univariate modeling techniques to predict future mortality rates based solely on historical data. The dataset was split into training (1990-2015) and validation (2016-2021) sets to ensure unbiased model evaluation and mitigate overfitting risks.
Four forecasting models were employed: ARIMA, Prophet, XGBoost, and LSTM. ARIMA served as the benchmark due to its classical statistical approach, while Prophet was chosen for its ability to handle non-stationary data through additive decomposition. XGBoost incorporated regularization to enhance predictive accuracy, and LSTM was utilized for its capacity to capture long-range dependencies in time series data. Model performance was evaluated using metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE), with the LSTM model demonstrating superior predictive accuracy (MSE: 0.00021; MAE: 0.00872; MAPE: 0.662%). The Diebold-Mariano test indicated that both LSTM and Prophet outperformed the other models, with no significant difference between them, while ARIMA exhibited the weakest performance. The findings underscore the efficacy of modern forecasting techniques in capturing the complexities of mortality data, suggesting that model selection should consider interpretability and computational efficiency alongside predictive power.