Sfruttare modelli di apprendimento universale e transfer learning per la previsione dell’influenza in Thailandia

Perché le previsioni dell’influenza sono importanti per tutti

L’influenza può sembrare una malattia invernale di routine, ma ogni anno manda milioni di persone in ambulatorio e in ospedale e può essere mortale, soprattutto quando i sistemi sanitari vengono colti di sorpresa. Prevedere quando e dove l’influenza aumenterà permette ai medici e alle autorità sanitarie di mettere in scorta vaccini e farmaci, preparare i letti ospedalieri e avvisare le comunità in anticipo. Questo studio si concentra sulla Thailandia, ma le idee alla base—usare l’intelligenza artificiale moderna per ottenere previsioni migliori anche dove i dati scarseggiano—potrebbero aiutare molti Paesi a prepararsi per la prossima stagione influenzale pesante.

Influenza, clima e dati a macchia di leopardo

Il carico di influenza in Thailandia varia molto tra le province e ricerche precedenti hanno mostrato che il clima locale—come temperatura, umidità, pioggia e inquinamento atmosferico—può influenzare il momento in cui si manifestano i focolai. Purtroppo misure dettagliate sul meteo e sulla qualità dell’aria non sono disponibili ovunque. Delle 76 province thailandesi, solo 22 dispongono sia dei conteggi dei casi di influenza sia dei dati ambientali di supporto; le restanti hanno soltanto i numeri dei casi. Gli strumenti statistici tradizionali, spesso calibrati separatamente per ciascuna località, faticano a gestire questo mosaico. Possono non cogliere schemi insoliti e sono lenti ad aggiornarsi quando le condizioni cambiano, limitando la loro utilità per un sistema di allerta nazionale.

Costruire un unico modello per molte località

I ricercatori hanno voluto costruire un unico modello “universale” in grado di apprendere contemporaneamente dai 22 territori ricchi di dati. Hanno impiegato una rete neurale artificiale—un tipo di deep learning che imita, in modo approssimativo, come le cellule cerebrali elaborano le informazioni—per prevedere l’incidenza mensile dell’influenza dal 2010 al 2019. Prima di addestrare la rete, hanno utilizzato un metodo di machine learning chiamato Random Forest per selezionare tra 27 input candidati, comprese le misure attuali e ritardate di temperatura, umidità, precipitazioni, vento, visibilità, inquinamento atmosferico e i livelli recenti di influenza. Questa fase ha evidenziato quali elementi effettivamente aiutavano la previsione e ha permesso agli autori di eliminare le variabili meno utili, rendendo il modello finale più veloce e meno soggetto al rumore.

Cosa ha imparato il modello universale

Dopo ampi test su diverse dimensioni di rete, una struttura relativamente semplice—un unico strato nascosto con 128 unità interne—ha dato le migliori prestazioni. Interessante notare che l’aggiunta di fattori ambientali come il meteo e l’inquinamento ha migliorato le previsioni solo leggermente nella maggior parte delle province e in alcuni casi ha fatto poca differenza. Un segnale chiaro è però emerso: la temperatura è stata costantemente selezionata come importante, in linea con studi precedenti che collegano temperature più basse o variabili a una maggiore attività influenzale. Tra le 22 province, il modello universale ha catturato il flusso generale dell’influenza, ma tendeva a sottostimare i picchi più estremi, soprattutto nei grandi centri urbani come Bangkok e nelle province settentrionali con alta incidenza.

Insegnare al modello a supportare le regioni povere di dati

La vera sfida era prevedere l’influenza nelle restanti 54 province prive di dati ambientali dettagliati. Qui il team ha fatto ricorso al transfer learning, una tecnica in cui un modello addestrato su un compito viene adattato a uno correlato. Innanzitutto hanno addestrato la rete neurale universale sulle 22 province ben misurate. Poi hanno riconfigurato il modello in modo che potesse funzionare usando solo i conteggi storici dei casi come input. Infine hanno perfezionato questo modello adattato in due modi: una volta usando i dati aggregati di tutte e 54 le province e una volta separatamente per ogni provincia. Il perfezionamento provincia per provincia ha funzionato chiaramente meglio, riducendo gli errori di previsione e offrendo una corrispondenza più vicina alle tendenze osservate rispetto sia all’approccio aggregato sia a un modello di base semplice che si basava solo sui livelli locali passati di influenza.

Cosa significa per la pianificazione futura dell’influenza

Per il lettore non specialista, il messaggio è che un singolo modello di IA, progettato con cura, può apprendere schemi generali sul comportamento dell’influenza in una parte del Paese e poi essere riutilizzato per migliorare le previsioni altrove, anche dove i dati di supporto sono scarsi. In Thailandia, la versione migliore di questo approccio—una rete neurale di dimensioni modeste perfezionata per ciascuna provincia—ha previsto le tendenze locali dell’influenza con maggiore accuratezza rispetto ai metodi standard. Pur sottostimando ancora le dimensioni degli episodi estremi e non includendo ancora fattori sociali o economici, offre una tabella di marcia pratica per Paesi a basso e medio reddito: partire dove i dati sono abbondanti, trasferire quella conoscenza nelle aree povere di dati e usare queste previsioni per guidare vaccinazioni, personale e altre difese prima che arrivi la prossima ondata.

Citazione: 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

Parole chiave: previsione dell'influenza, transfer learning, deep learning, previsione delle epidemie, sanità pubblica in Thailandia