تطبيق مبتكر لشبكة التفاف بيانية زمنية-مكانية لتوقع مرض حمى الضنك

لماذا يهم التنبؤ بالضنك في الحياة اليومية

تنتشر حمى الضنك اليوم بوتيرة أسرع من أي وقت مضى، مدفوعةً باحتباس المناخ، وتوسع المدن، والسفر الدولي. يعيش الآن ملايين الأشخاص في أماكن قد يعني فيها لدغة بعوضة إصابة بمرض خطير يستلزم دخول المستشفى أو قد يصل إلى الوفاة. إعطاء مقدّمَي الرعاية الصحية إنذاراً مسبقاً بأسابيع قليلة حول تفشيات الضنك يمكن أن يوفر وقتاً ثميناً لرش المبيدات، وتحذير المجتمعات، وتجهيز المستشفيات. تبحث هذه الدراسة فيما إذا كان من الممكن إعادة توظيف تقنيات الذكاء الاصطناعي المتقدمة، التي صُممت أصلاً لتوقع زحام المرور، لتنبؤ موجات الضنك عبر أمريكا اللاتينية.

تتبع أثر الضنك عبر البلدان

ركز الباحثون على تسع دول في أميركا الوسطى والجنوبية، بما في ذلك البرازيل والمكسيك وكولومبيا وعدد من جاراتها، في الفترة بين 2014 و2022. بدلاً من الاعتماد فقط على أعداد حالات الضنك السابقة والظروف الجوية الأساسية، جمعوا 29 نوعاً مختلفاً من المعلومات. شملت هذه تقارير ضنك محلية، وبيانات جوية أسبوعية مثل درجة الحرارة، وهطول الأمطار، والرطوبة، وإشعاع الشمس، وتفاصيل بيئية مثل تغطية الغابات والأراضي الزراعية، ونطاقاً واسعاً من المؤشرات الاجتماعية والاقتصادية. أمثلة على ذلك مستويات الدخل، وقدرة المستشفيات، والتغطية بالتطعيمات، والوصول للكهرباء، وتوزيع السكان بحسب الفئات العمرية والمدن. من خلال دمج كل هذه الطبقات، سعى الفريق لبناء صورة أكثر واقعية للظروف التي تسمح بتكاثر بعوض الضنك وانتشار الفيروسات.

استعارة أدوات ذكية من توقعات المرور

لتحويل هذه البيانات الغنية إلى توقعات، عدّل الفريق طريقة تعلم عميق تُسمى الشبكة التفافية بيانية زمنية-مكانية (STGCN). ببساطة، يفحص هذا النموذج كيف تتغير الأشياء عبر الزمن (الجزء «الزمني») وكيف تؤثر الأماكن المختلفة على بعضها البعض (الجزء «المكاني»). يعامل كل دولة كـ«عقدة» في شبكة ويتيح للحاسوب أن يتعلّم أي البلدان تبدو مترابطة في أنماط الضنك بدل تكوين علاقة مسبقة بأن البلاد المجاورة فقط هي المهمة. وفي الوقت نفسه، يفحص كيف تتطور أعداد الضنك أسبوعاً بأسبوع. قارن المؤلفون هذا النهج المتقدم مع طريقة تعلم آلي تقليدية تُدعى الغابة العشوائية (Random Forest)، التي أظهرت سابقاً قدرة أفضل على توقع الضنك من العديد من الأدوات الإحصائية القديمة.

مدى دقة النموذج الجديد في رصد التفشيات

عبر التسع دول، كان نموذج STGCN فعالاً خصوصاً في التنبؤات قصيرة الأمد، من أسبوع إلى أربعة أسابيع قادمة. في كثير من الحالات، نجح في التقاط توقيت وحجم موجات الضنك بدقة عالية، محققاً درجات إحصائية قوية (قيم R² غالباً فوق 0.8 ووصلت حتى 0.98) وأخطاء نسبية منخفضة. برزت البرازيل، التي تملك بيانات كبيرة ومتسقة نسبياً، كأفضل مثال من حيث الأداء، لكن دولاً مثل نيكاراغوا، وهندوراس، والمكسيك استفادت أيضاً. أدّى النموذج أداءً أقل في أماكن البيانات فيها نادرة أو أكثر تبايناً، مثل بوليفيا وأجزاء من بيرو، وكما هو الحال مع معظم الأدوات، تضاءلت دقته مع محاولته التنبؤ لفترات أبعد. ومع ذلك، عند المقارنة المباشرة، تفوّق النموذج المعتمد على الرسم البياني على الغابة العشوائية في معظم البلدان ومعظم نوافذ التنبؤ الأقصر.

لماذا تهم الواقع الاجتماعي والاقتصادي

أحد أهم النتائج كان القيمة المضافة لإدراج المعلومات الاجتماعية والاقتصادية. عندما أُزيلت هذه العوامل من النموذج، أصبحت التنبؤات أكثر ضوضاءً وأقل موثوقية، لا سيما في دول مثل هندوراس وبيرو وكولومبيا والمكسيك. ساعد إدراج مؤشرات متعلقة بالدخل، والرعاية الصحية، والبنية التحتية، وتركيب السكان على تثبيت التنبؤات وتحسين مدى تطابقها مع أعداد الحالات الحقيقية. يشير ذلك إلى أن خطر الضنك ليس مسألة مناخ وبعوض فحسب؛ بل يتشكّل أيضاً بطريقة عيش الناس، وحركتهم، وإمكانية حصولهم على الخدمات. تحذّر الدراسة من أن النموذج يكشف عن أنماط بدلاً من علاقات سببٍ ونتيجة صارمة، لكنه يوضح بوضوح أن ظروف المعيشة الأوسع تترك بصمة قابلة للقياس على ديناميات التفشيات.

ماذا يعني ذلك لقرارات الصحة العامة

لغير المتخصصين، الخلاصة أن أدوات الذكاء الاصطناعي المتقدمة يمكنها بالفعل أن تمنح وكالات الصحة «نظرة مبكرة» مفيدة حول تفشيات الضنك قبل أسابيع قليلة، خصوصاً عندما تُغذى ببيانات غنية عن المناخ والمجتمع. أثبت نموذج التنبؤ المعدّل عن حركة المرور أنه قوي ومرن وعموماً أكثر دقة من طريقة تقليدية قوية، مما يجعله مرشحاً واعداً لأنظمة الإنذار المبكر. وفيما لا تزال ثمة تحديات—مثل تفاوت جودة البيانات، وفقدان التفاصيل داخل البلدان الكبيرة، وتراجع الدقة عبر فترات أطول—يشير هذا النهج إلى مستقبل يمكن فيه تحديث توقعات الأمراض بشكل منتظم، وتكييفها مع الواقع المحلي، وتوسيعها لتشمل تهديدات أخرى ينقلها البعوض مثل زيكا أو شيكونغونيا. بهذا المعنى، تُعد هذه الدراسة خطوة نحو تحويل تدفقات بيانات معقدة إلى وقت قابل للتنفيذ من أجل الوقاية.

الاستشهاد: Siabi, N., Son, R., Thomas, M. et al. Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Sci Rep 16, 2594 (2026). https://doi.org/10.1038/s41598-026-36225-7

الكلمات المفتاحية: توقع حمى الضنك, الشبكات العصبية البيانية, المناخ والصحة, الدوافع الاجتماعية والاقتصادية, الأمراض المنتقلة بواسطة الناقل