Ein Forscherteam der University of Waterloo und der Dalhousie University hat eine Methode entwickelt, um den kurzfristigen Verlauf einer Epidemie anhand äußerst begrenzter Datenmengen vorherzusagen.
Ihr Modell, das Sparsity and Delay Embedding-based Forecasting Model (SPADE4), nutzt maschinelles Lernen, um das Fortschreiten einer Epidemie anhand nur begrenzter Infektionsdaten vorherzusagen. SPADE4 wurde sowohl an simulierten Epidemien als auch an realen Daten der fünften Welle der COVID-19-Pandemie in Kanada getestet und konnte den Verlauf der Epidemien mit einer Sicherheit von 95 % erfolgreich vorhersagen. Die Studie „Spade4: Sparsity and Delay Embedding Based Forecasting of Epidemics“ erscheint im Bulletin der Mathematischen Biologie.
„COVID hat uns gelehrt, dass wir wirklich Methoden entwickeln müssen, die mit der geringsten Menge an Informationen vorhersagen können“, sagte Ph.D. für angewandte Mathematik. Kandidatin Esha Saha, die Hauptautorin der Studie. „Wenn ein neuer Virus auftritt und die Tests gerade erst begonnen haben, müssen wir wissen, was kurzfristig zu tun ist.“
Wenn es zu einem Krankheitsausbruch kommt – sei es bei Neuinfektionen wie COVID-19 oder bei bestehenden Infektionen wie Ebola – ist es für politische Entscheidungen von entscheidender Bedeutung, die Entwicklung der Krankheit vorhersagen zu können.
„Das ist es, was die Politik gleich zu Beginn braucht“, sagte Saha. „Was sollen wir in den nächsten sieben Tagen tun? Wie soll ich die Ressourcen verteilen?“
Traditionell bevorzugen Epidemiologen die Erstellung und Nutzung komplexer Modelle, um den Verlauf von Epidemien zu verstehen. Diese Modelle hätten jedoch mehrere Nachteile, sagte Saha.
Sie erfordern komplexe demografische Informationen, die zu Beginn eines Ausbruchs häufig nicht verfügbar sind. Selbst wenn diese detaillierten Informationen verfügbar sind, spiegeln die Modelle möglicherweise die Komplexität der Bevölkerung oder die Dynamik der Krankheit nicht genau wider.
Das neue Modell des Waterloo-Forschungsteams behebt diese Nachteile.
„Wenn wir an Impfstoffen und Heilmitteln arbeiten, schauen wir uns längerfristige Daten an“, sagte Saha. „Aber wenn eine neue Krankheit auftritt, kann diese Methode uns helfen, Erkenntnisse darüber zu gewinnen, wie wir uns verhalten sollen.“
Mehr Informationen:
Saha, E et al, SPADE4: Sparsity and Delay Embedding Based Forecasting of Epidemics. Bulletin der Mathematischen Biologie (2023) doi.org/10.1007/s11538-023-01174-z