استخدام نماذج التعلم العام والنقل للتنبؤ بالإنفلونزا في تايلاند

لماذا تهم توقعات الإنفلونزا الجميع

قد تبدو الإنفلونزا مرضًا شتويًا روتينيًا، لكنها ما تزال تدفع بالملايين إلى العيادات والمستشفيات سنويًا وقد تكون قاتلة، خاصة عندما تُفاجَأ منظومات الصحة العامة بها. إن القدرة على التنبؤ بموعد ومكان تفشّي الإنفلونزا تتيح للأطباء والمسؤولين الصحيين تخزين اللقاحات والأدوية، تجهيز الأسرة بالمستشفيات، وتحذير المجتمعات مسبقًا. تركز هذه الدراسة على تايلاند، لكن الأفكار الأساسية—استخدام الذكاء الاصطناعي الحديث لتحسين التنبؤات حتى حيث البيانات نادرة—يمكن أن تساعد دولًا عديدة على الاستعداد لموسم إنفلونزا سيء قادم.

الإنفلونزا والطقس والبيانات المبعثرة

يختلف عبء الإنفلونزا في تايلاند اختلافًا كبيرًا بين المقاطعات، وقد أظهرت أبحاث سابقة أن المناخ المحلي—مثل درجة الحرارة، والرطوبة، والأمطار، وتلوث الهواء—يمكن أن يؤثر في توقيت حدوث التفشيات. للأسف، ليست هناك قياسات مفصلة للطقس وجودة الهواء متاحة في كل مكان. من بين 76 مقاطعة في تايلاند، تمتلك 22 فقط كلًا من أعداد حالات الإنفلونزا وبيانات بيئية داعمة؛ بينما تملك المقاطعات الأخرى أرقام الحالات فقط. الأدوات الإحصائية التقليدية، التي غالبًا ما تُعدّل بشكل منفصل لكل موقع، تكافح للتعامل مع هذا التوزع المبعثر. قد تفوّت أنماطًا غير عادية وتكون بطيئة في التحديث عندما تتغير الظروف، مما يحد من فائدتها كتحذير مبكر على مستوى البلاد.

بناء نموذج واحد للعديد من الأماكن

سعى الباحثون لبناء نموذج حاسوبي "عام" واحد يمكنه التعلم من جميع المقاطعات الـ22 الغنية بالبيانات دفعة واحدة. استخدموا شبكة عصبية اصطناعية—نوع من التعلم العميق الذي يقلد بشكل فضفاض كيفية معالجة الخلايا العصبية في الدماغ للمعلومات—لتوقع معدلات الإنفلونزا الشهرية للفترة من 2010 إلى 2019. قبل تدريب الشبكة، استخدموا طريقة تعلم آلي تُسمى الغابة العشوائية (Random Forest) لفرز 27 مُدخلًا مرشحًا، بما في ذلك قيم درجة الحرارة والرطوبة والأمطار والرياح والرؤية وتلوث الهواء والقيم المتأخرة والمستحدثة لمستويات الإنفلونزا. أبرزت هذه الخطوة أي المتغيرات تُسهم فعليًا في التنبؤ وأتاحت للمؤلفين حذف المتغيرات الأقل فائدة، مما جعل النموذج النهائي أسرع وأقل عُرضة للضوضاء.

ما الذي تعلّمته النموذج العام

بعد اختبارات واسعة لأحجام شبكات مختلفة، كان تصميم بسيط نسبيًا—طبقة مخفية واحدة مع 128 وحدة داخلية—هو الأفضل أداءً. من المثير للاهتمام أن إضافة عوامل بيئية مثل الطقس وتلوث الهواء حسّن التنبؤات قليلاً فقط في معظم المقاطعات، وفي بعض الحالات لم تحدث فرقًا يذكر. أشار إشارة واضحة واحدة: تم اختيار درجة الحرارة باستمرار كمتغير مهم، مما يعكس أعمالًا سابقة ربطت انخفاضًا أو تغيّرًا في درجات الحرارة بزيادة نشاط الإنفلونزا. عبر المقاطعات الـ22، استوعب النموذج العام التيار العام لصعود وهبوط الإنفلونزا لكنه كان يميل إلى التقليل من تقدير أعلى القمم، لا سيما في المراكز الحضرية الكبرى مثل بانكوك والمقاطعات الشمالية ذات معدلات الإصابة العالية.

تعليم النموذج لمساعدة المناطق ذات البيانات الشحيحة

التحدي الحقيقي كان التنبؤ بالإنفلونزا في المقاطعات الـ54 المتبقية التي تفتقر إلى بيانات بيئية مفصّلة. هنا لجأت الفريق إلى التعلم بالنقل، وهي تقنية يُعاد فيها تكييف نموذج مدرّب على مهمة معينة لمهمة ذات صلة. أولًا درّبوا شبكتهم العصبية العامة على المقاطعات الـ22 جيدة القياس. بعد ذلك، أعادوا تهيئة النموذج بحيث يمكنه العمل باستخدام أعداد الإنفلونزا الماضية فقط كمدخل. أخيرًا، قاموا بضبط هذا النموذج المُكيّف بطريقتين: مرة باستخدام بيانات الحالات المجمعة عبر جميع المقاطعات الـ54، ومرة بشكل منفصل لكل مقاطعة. بدا أن الضبط المنفصل لكل مقاطعة أعطى أفضل النتائج بوضوح، حيث خفّض أخطاء التنبؤ ووفّر مطابقة أقرب للاتجاهات المرصودة مقارنةً بالنهج المجمّع أو نموذج أساسي بسيط يعتمد على مستويات الإنفلونزا المحلية الماضية فقط.

ما معنى ذلك لتخطيط الإنفلونزا المستقبلي

النتيجة للمطلع العام هي أن نموذج ذكاء اصطناعي واحد مصمم بعناية يمكنه تعلم أنماط عامة لكيفية تصرف الإنفلونزا في جزء من البلد ثم يُعاد استخدامه لتحسين التنبؤات في أماكن أخرى حتى لو كانت البيانات الداعمة شحيحة. في تايلاند، تنبأت أفضل نسخة من هذا النهج—شبكة عصبية متواضعة الحجم مُحسّنة لكل مقاطعة—بالاتجاهات المحلية للإنفلونزا بدقة أعلى من الطرق التقليدية. ومع أن النموذج لا يزال يقلل من حجم التفشيات القصوى ولا يشمل بعد عوامل اجتماعية أو اقتصادية، فإنه يقدم خارطة طريق عملية للدول منخفضة ومتوسطة الدخل: ابدأ حيث البيانات متوفرة، انقل تلك المعرفة إلى المناطق قليلة البيانات، واستخدم هذه التنبؤات لتوجيه اللقاحات والموظفين ووسائل الدفاع الأخرى قبل أن تضرب الموجة التالية.

الاستشهاد: Lueangwitchajaroen, P., Anupong, S., Winalai, C. et al. Leveraging universal and transfer learning models for influenza prediction in Thailand. Sci Rep 16, 6668 (2026). https://doi.org/10.1038/s41598-026-37855-7

الكلمات المفتاحية: توقع الإنفلونزا, التعلم بالنقل, التعلم العميق, تنبؤ الأوبئة, الصحة العامة في تايلاند