DOI: https://doi.org/10.1038/s41598-026-36225-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41547895
تاريخ النشر: 2026-01-17
المؤلف: Negar Siabi وآخرون
الموضوع الرئيسي: الأمراض المنقولة بواسطة البعوض ومكافحتها
نظرة عامة
تقدم هذه الورقة البحثية تطبيقًا مبتكرًا لشبكة الالتفاف البياني الزمانية المكانية المعدلة (STGCN) للتنبؤ بحالات حمى الضنك عبر تسع دول في أمريكا الجنوبية والوسطى من 2014 إلى 2022. تؤكد الدراسة على أهمية طرق التنبؤ الدقيقة لإدارة تفشي حمى الضنك، من خلال دمج البيانات البيئية والاجتماعية والاقتصادية والمناخية جنبًا إلى جنب مع معلومات الحالات التاريخية لالتقاط الديناميات المعقدة للانتقال. أظهر نموذج STGCN، الذي تم تصميمه في الأصل لتوقع حركة المرور، أداءً متفوقًا مقارنةً بنموذج الغابة العشوائية (RF)، خاصةً في التنبؤات قصيرة المدى (1-2 أسبوع)، محققًا قيم R² تتراوح بين 0.78 و0.98 وأخطاء جذر متوسط مربع نسبية (RRMSE) تتراوح من 0.14 إلى 0.43.
تشير النتائج إلى أن STGCN لا يتفوق فقط على RF من حيث الدقة ومعدلات الخطأ، بل يظهر أيضًا استقرارًا زمنيًا أكبر وقدرة على التكيف، خاصةً في المناطق ذات تباين البيانات العالي. تعزز قدرة النموذج على دمج العوامل الاجتماعية والاقتصادية الممثلة تمثيلًا ناقصًا دقته التنبؤية، مما يجعله أداة واعدة لتطبيقات الصحة العامة، بما في ذلك أنظمة الإنذار المبكر للأمراض المنقولة بواسطة الناقلات. تشمل اتجاهات البحث المستقبلية توسيع أفق التنبؤ، واستكشاف تقنيات النمذجة الهجينة، وتطبيق نهج STGCN على أمراض منقولة أخرى بواسطة الناقلات، مما قد يحقق مزيدًا من التحقق من فائدته في مراقبة الصحة العالمية وتوقع الأوبئة. كما يُقترح إجراء تحليلات مقارنة مع نماذج زمانية مكانية متقدمة أخرى لفهم أفضل لنقاط القوة والقيود الخاصة بـ STGCN في سياقات وبائية متنوعة.
مقدمة
تتناول مقدمة الورقة البحثية الأزمة المتزايدة في الصحة العامة التي تسببها حمى الضنك، والتي تنتقل بشكل أساسي بواسطة بعوضة الأيديس وتسببها أربعة أنماط فيروس حمى الضنك (DENV-1 إلى DENV-4). اعتبارًا من أبريل 2024، أفادت منظمة الصحة العالمية بتسجيل أكثر من 7.6 مليون حالة على مستوى العالم، مما يمثل زيادة تقارب ثلاثة أضعاف عن العام السابق. تؤكد هذه الزيادة على الحاجة الملحة إلى التنبؤ الفعال والتدخلات المستهدفة، خاصةً في المناطق عالية المخاطر. تتأثر ديناميات انتقال حمى الضنك بتفاعل معقد من العوامل المناخية والبيئية والاجتماعية السكانية، بما في ذلك درجة الحرارة، والأمطار، والتحضر، والتنقل البشري، التي تشكل مجتمعة أنماط التفشي.
تستعرض الورقة مجموعة متنوعة من أساليب النمذجة المستخدمة للتنبؤ بتفشي حمى الضنك، مع تسليط الضوء على قيود الأساليب الإحصائية التقليدية ومزايا تقنيات التعلم الآلي والتعلم العميق. بينما تكون النماذج التقليدية مثل تحليلات السلاسل الزمنية والانحدار قابلة للتفسير، إلا أنها غالبًا ما تفشل في التقاط الديناميات غير الخطية لانتشار الأمراض. بالمقابل، أظهرت نماذج التعلم الآلي مثل آلات الدعم الناقل (SVM) والغابة العشوائية (RF) والشبكات العصبية (NN) أداءً متفوقًا في توقع حالات حمى الضنك. لقد عززت التطورات الأخيرة في التعلم العميق، وخاصةً الشبكات العصبية الذاكرة الطويلة القصيرة (LSTM) والشبكات العصبية الالتفافية (CNNs)، دقة التنبؤ بشكل أكبر. يقترح المؤلفون استخدام شبكات الالتفاف البياني الزمانية المكانية (STGCN) كنهج جديد لتوقع تفشي حمى الضنك، بهدف تحسين دقة التنبؤ من خلال الاستفادة من الديناميات الزمانية المكانية المعقدة لانتقال حمى الضنك.
طرق
تتناول قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية إعادة إنتاج النتائج. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية، والبروتوكولات التجريبية، وأي أدوات حسابية تم استخدامها.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، بما في ذلك تدابير التحكم والمتغيرات التي تم التلاعب بها خلال الدراسة. يضمن هذا النهج الشامل أن تكون نتائج البحث مستندة إلى إطار منهجي قوي، مما يسمح بتفسير دقيق والتحقق من النتائج المقدمة في الأقسام اللاحقة.
نتائج
ركزت الدراسة على تدريب وتقييم نموذج شبكة الالتفاف البياني الزمانية المكانية (STGCN) باستخدام مجموعة بيانات لحالات حمى الضنك الأسبوعية تمتد من 2014 إلى 2022. كان الهدف الرئيسي هو تعزيز فهم الديناميات الزمانية المكانية المعقدة لتفشي حمى الضنك من خلال دمج متغيرات مناخية وبيئية واجتماعية واقتصادية متنوعة في النموذج.
لتقييم قدرات النموذج التنبؤية، تم إنشاء توقعات أسبوعية لمدة تتراوح من أسبوع إلى أربعة أسابيع قادمة، تغطي عدة دول لتقييم أدائه عبر مناطق جغرافية مختلفة. كان الهدف من هذا النهج هو تقديم رؤى حول فعالية النموذج في التقاط الأنماط المتنوعة لانتقال حمى الضنك وتحسين دقة التنبؤ.
مناقشة
تؤكد قسم المناقشة في الورقة على أهمية دمج مجموعة متنوعة من المتنبئين، بما في ذلك العوامل الاجتماعية والاقتصادية والبيئية، في رسم خرائط مخاطر حمى الضنك. يجادل المؤلفون بأن النماذج التقليدية غالبًا ما تعتمد بشكل كبير على البيانات المناخية، مما قد يتجاهل جوانب حاسمة من ديناميات انتقال الأمراض. تستخدم دراستهم مجموعة بيانات شاملة تحتوي على 29 متنبئًا، بما في ذلك 14 متغيرًا اجتماعيًا واقتصاديًا و3 متغيرات بيئية، عبر تسع دول في أمريكا الوسطى والجنوبية. يهدف هذا النهج إلى تعزيز فهم التباين المكاني في انتقال حمى الضنك من خلال الأخذ في الاعتبار ضعف البشر واللامساواة الهيكلية التي تؤثر على بيئة البعوض.
يستعرض المؤلفون نهجهم في النمذجة، والذي يتضمن تطوير شبكة الالتفاف البياني الزمانية المكانية (STGCN) ونموذج الغابة العشوائية (RF) لتوقع حالات حمى الضنك. تم تصميم STGCN لالتقاط الاعتماديات المكانية والزمانية المعقدة في البيانات، باستخدام مصفوفة مجاورة قابلة للتدريب لتعكس العلاقات بين الدول. تشير النتائج إلى أن نموذج STGCN يتفوق على نموذج RF في عدة دول، خاصةً في التنبؤات قصيرة المدى، بينما يظهر أيضًا متانة ضد عدم انتظام البيانات. تشير النتائج إلى أن نموذج STGCN هو أداة قيمة لتوقع تفشي حمى الضنك، حيث يلتقط بفعالية ديناميات انتقال المرض عبر سياقات وبائية متنوعة.
DOI: https://doi.org/10.1038/s41598-026-36225-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41547895
Publication Date: 2026-01-17
Author(s): Negar Siabi et al.
Primary Topic: Mosquito-borne diseases and control
Overview
This research paper presents an innovative application of an adapted Spatio-Temporal Graph Convolutional Network (STGCN) for predicting dengue fever cases across nine countries in South and Central America from 2014 to 2022. The study emphasizes the importance of accurate prediction methods for managing dengue outbreaks, integrating environmental, socio-economic, and climate data alongside historical case information to capture the complex dynamics of transmission. The STGCN model, originally designed for traffic forecasting, demonstrated superior performance compared to a Random Forest (RF) model, particularly in short-term forecasts (1-2 weeks), achieving R² values between 0.78 and 0.98 and relative root mean square errors (RRMSE) ranging from 0.14 to 0.43.
The findings indicate that STGCN not only outperforms RF in terms of accuracy and error rates but also exhibits greater temporal stability and adaptability, especially in regions with high data variability. The model’s ability to incorporate underrepresented socio-economic factors enhances its predictive accuracy, making it a promising tool for public health applications, including early warning systems for vector-borne diseases. Future research directions include extending the forecasting horizon, exploring hybrid modeling techniques, and applying the STGCN approach to other vector-borne diseases, which could further validate its utility in global health monitoring and epidemic prediction. Comparative analyses with other advanced spatio-temporal models are also suggested to better understand the strengths and limitations of STGCN in diverse epidemiological contexts.
Introduction
The introduction of the research paper addresses the escalating public health crisis posed by dengue fever, which is primarily transmitted by Aedes mosquitoes and caused by four dengue virus serotypes (DENV-1 to DENV-4). As of April 2024, the World Health Organization reported over 7.6 million cases globally, marking a nearly threefold increase from the previous year. This surge underscores the urgent need for effective forecasting and targeted interventions, particularly in high-risk regions. The transmission dynamics of dengue are influenced by a complex interplay of climatic, environmental, and socio-demographic factors, including temperature, rainfall, urbanization, and human mobility, which collectively shape outbreak patterns.
The paper reviews various modeling approaches used to predict dengue outbreaks, highlighting the limitations of traditional statistical methods and the advantages of machine learning and deep learning techniques. While traditional models like time-series analyses and regression are interpretable, they often fail to capture the non-linear dynamics of disease spread. In contrast, machine learning models such as Support Vector Machines (SVM), Random Forest (RF), and Neural Networks (NN) have shown superior performance in forecasting dengue cases. Recent advancements in deep learning, particularly Long Short-Term Memory (LSTM) networks and Convolutional Neural Networks (CNNs), have further enhanced predictive accuracy. The authors propose employing Spatio-Temporal Graph Convolutional Networks (STGCN) as a novel approach for dengue outbreak prediction, aiming to improve forecasting accuracy by leveraging the intricate spatio-temporal dynamics of dengue transmission.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the results. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental protocols, and any computational tools utilized.
Additionally, the section may describe the experimental conditions, including control measures and variables manipulated during the study. This comprehensive approach ensures that the research findings are grounded in a robust methodological framework, allowing for accurate interpretation and validation of the results presented in subsequent sections.
Results
The study focused on training and evaluating a Spatio-Temporal Graph Convolutional Network (STGCN) model using a dataset of weekly dengue cases spanning from 2014 to 2022. The primary objective was to enhance the understanding of the intricate spatio-temporal dynamics of dengue outbreaks by incorporating various climate, environmental, and socioeconomic variables into the model.
To assess the model’s predictive capabilities, weekly forecasts were generated for one to four weeks ahead, covering multiple countries to evaluate its performance across different geographical regions. This approach aimed to provide insights into the model’s effectiveness in capturing the diverse patterns of dengue transmission and improving forecasting accuracy.
Discussion
The discussion section of the paper emphasizes the importance of incorporating a diverse range of predictors, including socio-economic and environmental factors, in dengue risk mapping. The authors argue that traditional models often rely heavily on climatic data, which may overlook critical aspects of disease transmission dynamics. Their study utilizes a comprehensive dataset with 29 predictors, including 14 socio-economic and 3 environmental variables, across nine countries in Central and South America. This approach aims to enhance the understanding of spatial heterogeneity in dengue transmission by accounting for human vulnerability and structural inequalities that influence mosquito ecology.
The authors detail their modeling approach, which includes the development of a Spatio-Temporal Graph Convolutional Network (STGCN) and a Random Forest (RF) model for predicting dengue cases. The STGCN is designed to capture complex spatial and temporal dependencies in the data, utilizing a trainable adjacency matrix to reflect inter-country relationships. The results indicate that the STGCN model outperforms the RF model in several countries, particularly in short-term predictions, while also demonstrating robustness against data irregularities. The findings suggest that the STGCN model is a valuable tool for forecasting dengue outbreaks, effectively capturing the dynamics of disease transmission across diverse epidemiological contexts.