מימוש מודלים אוניברסליים ולמידת העברה לחיזוי שפעת בתאילנד

מדוע חיזויי שפעת חשובים לכולם

שפעת עשויה להיראות כמחלה עונתית שגרתית, אך בכל שנה היא שולחת מיליונים למרפאות ולבתי חולים ועלולה להיות קטלנית, במיוחד כאשר מערכות הבריאות נופתות לא מוכנות. היכולת לחזות מתי והיכן השפעת תתפשט מאפשרת לרופאים ולרשויות בריאות הציבור לאחסן חיסונים ותרופות, להכין מיטות אשפוז ולהזהיר קהילות מראש. המחקר הזה מתמקד בתאילנד, אך הרעיונות שבבסיסו — שימוש בבינה מלאכותית מודרנית לשיפור תחזיות גם באזורים עם נתונים מצומצמים — יכולים לסייע למדינות רבות להתכונן לעונת שפעת קשה הבאה.

שפעת, מזג אוויר ונתונים פזורים

העומס של השפעת בתאילנד משתנה רבות בין המחוזות, ומחקרים קודמים הראו שמזג האוויר המקומי — כגון טמפרטורה, לחות, גשם וזיהום אוויר — יכול להשפיע על מתי מתרחשים התפרצויות. לצערנו, מדידות מפורטות של מזג אוויר ואיכות אוויר אינן זמינות בכל מקום. מתוך 76 המחוזות בתאילנד, רק ב-22 קיימים נתוני מקרים של שפעת לצד נתוני סביבה תומכים; בשאר המחוזות יש רק נתוני מקרים. כלים סטטיסטיים מסורתיים, שגם מותאמים בנפרד לכל מיקום, מתקשים להתמודד עם פסיפס כזה. הם עלולים לפספס דפוסים יוצאי דופן ולהיות איטיים בעדכון כשהתנאים משתנים, מה שמגביל את יעילותם כאמצעי התרעה ארצי.

בניית מודל אחד לרבות מקומות

החוקרים שאפו לבנות מודל "אוניברסלי" יחיד שייסקל מה-22 מחוזות עשירי הנתונים בו-זמנית. הם השתמשו ברשת עצבית מלאכותית — סוג של למידה עמוקה המדמה באופן חופשי את אופן עיבוד המידע של תאי מוח — כדי לחזות את שכיחות השפעת החודשית בשנים 2010–2019. לפני אימון הרשת השתמשו בשיטה של למידת מכונה בשם Random Forest כדי לסנן מתוך 27 קלטים מועמדים, הכוללים ערכים נוכחיים ומאוחרים של טמפרטורה, לחות, גשם, רוח, נראות, זיהום אוויר ורמות שפעת אחרונות. שלב זה הדגיש אילו מרכיבים אכן סייעו בחיזוי והאפשר למחברים להסיר משתנים פחות מועילים, מה שהפך את המודל הסופי למהיר יותר ופחות רגיש לרעש.

מה המודל האוניברסלי למד

לאחר בדיקות נרחבות של גדלי רשת שונים, עיצוב יחסי פשוט — שכבה מוסתרת אחת עם 128 יחידות פנימיות — נתן את התוצאות הטובות ביותר. באופן מעניין, הוספת גורמי סביבה כגון מזג אוויר וזיהום אוויר שיפרה את התחזיות רק במעט ברוב המחוזות, ובמקרים מסוימים לא עשתה הבדל ממשי. איתות ברור אחד בלט: טמפרטורה נבחרה בעקביות כחשובה, מה שמוחק הישמע לקשרים קודמים שקשרו טמפרטורות קרות או משתנות עם עלייה בפעילות השפעת. ברחבי 22 המחוזות המודל האוניברסלי תפס את השפל והשיא הכלליים של השפעת אך נטה להמעיט בהערכת השיאים הגבוהים ביותר, במיוחד במרכזי ערים גדולים כמו בנגקוק ובמחוזות צפון עם שיעורי תחלואה גבוהים.

לימוד המודל לעזור לאזורים עם מעט נתונים

האתגר האמיתי היה לחזות שפעת ב-54 המחוזות שנותרו שבהם לא היו נתוני סביבה מפורטים. כאן הצוות פנה ללמידת העברה, טכניקה שבה מודל שאומן על משימה אחת מותאם למשימה קרובה. תחילה אימנו את הרשת האוניברסלית על 22 המחוזות המדודים היטב. לאחר מכן הם תצירו את המודל כך שיוכל לפעול באמצעות נתוני מקרים קודמים בלבד. לבסוף, עדנו את המודל המותאם בשתי דרכים: פעם אחת באמצעות נתוני מקרים מאוחדים מכל 54 המחוזות ופעם שנייה באופן נפרד לכל מחוז. הכוונון המחוזי הוכיח עצמו כיעיל ביותר, כשהוריד שגיאות חיזוי וסיפק התאמה קרובה יותר למגמות הנצפות מאשר הגישה המאוחדת או מודל בסיסי שהסתמך רק על רמות שפעת מקומיות בעבר.

מה זה אומר לתכנון שפעת בעתיד

לקורא שאינו מומחה, המסקנה היא שמודל בינה מלאכותית אחד, מעוצב בקפידה, יכול ללמוד דפוסים כלליים של התנהגות השפעת בחלק אחד של מדינה ואז לשמש לשיפור תחזיות בחלקים אחרים, גם כאשר נתוני תמיכה דלים. בתאילנד, הגרסה הטובה ביותר של גישה זו — רשת עצבית בצורת בינונית שעודנה כווננה לכל מחוז — חזה מגמות שפעת מקומיות במדויק יותר משיטות סטנדרטיות. למרות שהמודל עדיין נוטה להמעיט בגודל התפרצויות קיצוניות ולא כולל עדיין גורמים חברתיים או כלכליים, הוא מציע מתווה מעשי למדינות בעלות הכנסה נמוכה ובינונית: התחל במקום שבו הנתונים עשירים, העבר את הידע לאזורים בעלי נתונים דלים, והשתמש בתחזיות אלה להנחות חיסונים, תכנון צוותים והגנות אחרות לפני גל הבא.

ציטוט: 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

מילות מפתח: חיזוי שפעת, למידת העברה, למידה עמוקה, חיזוי מגיפות, בריאות הציבור בתאילנד