Het benutten van universele en transfer learning-modellen voor griepvoorspelling in Thailand

Waarom griepvoorspellingen voor iedereen belangrijk zijn

Griep lijkt misschien een alledaagse winterkwaal, maar elk jaar belanden miljoenen mensen in klinieken en ziekenhuizen en kan de ziekte dodelijk zijn, vooral wanneer zorgsystemen onvoorbereid zijn. Kunnen voorspellen wanneer en waar de griep zal oplaaien, stelt artsen en volksgezondheidsfunctionarissen in staat vaccins en medicijnen in te slaan, ziekenhuisbedden voor te bereiden en gemeenschappen vooraf te waarschuwen. Deze studie richt zich op Thailand, maar de achterliggende ideeën — moderne kunstmatige intelligentie gebruiken om betere voorspellingen te doen, zelfs waar gegevens schaars zijn — kunnen veel landen helpen zich te wapenen tegen het volgende zware griepseizoen.

Griep, weer en onvolledige data

De griepbelasting in Thailand verschilt sterk tussen provincies, en eerder onderzoek heeft aangetoond dat lokaal klimaat — zoals temperatuur, luchtvochtigheid, neerslag en luchtvervuiling — kan bepalen wanneer uitbraken optreden. Helaas zijn gedetailleerde metingen van weer en luchtkwaliteit niet overal beschikbaar. Van Thailand’s 76 provincies hebben er slechts 22 zowel griepgevallen als ondersteunende omgevingsgegevens; de overige hebben alleen gevalsaantallen. Traditionele statistische hulpmiddelen, die vaak per locatie worden afgestemd, hebben moeite met dit lappendeken. Ze kunnen ongewone patronen missen en zijn traag om bij te werken wanneer omstandigheden veranderen, wat hun bruikbaarheid voor landelijke vroegtijdige waarschuwing beperkt.

Het bouwen van één model voor veel plaatsen

De onderzoekers wilden een enkel “universeel” computermodel bouwen dat tegelijk van alle 22 gegevensrijke provincies kon leren. Ze gebruikten een kunstmatig neuraal netwerk — een vorm van deep learning die vaag nabootst hoe hersencellen informatie verwerken — om de maandelijkse griepincidentie van 2010 tot 2019 te voorspellen. Voor het trainen van het netwerk gebruikten ze een machine-learningmethode genaamd Random Forest om 27 kandidaat-invoerwaarden te doorzoeken, waaronder actuele en vertraagde waarden van temperatuur, luchtvochtigheid, neerslag, wind, zichtbaarheid, luchtvervuiling en recente griepwaarden. Deze stap liet zien welke ingrediënten daadwerkelijk hielpen bij de voorspelling en stelde de auteurs in staat minder nuttige variabelen weg te scheren, waardoor het uiteindelijke model sneller werd en minder gevoelig voor ruis.

Wat het universele model leerde

Na uitgebreide tests van verschillende netwerkgroottes presteerde een relatief eenvoudige opzet — één verborgen laag met 128 interne eenheden — het beste. Interessant genoeg verbeterden additionele omgevingsfactoren zoals weer en luchtvervuiling de voorspellingen in de meeste provincies slechts licht, en in sommige gevallen maakten ze weinig verschil. Eén duidelijk signaal viel op: temperatuur werd consequent geselecteerd als belangrijk, wat eerdere bevindingen bevestigt die koelere of veranderende temperaturen koppelen aan hogere griepactiviteit. Over de 22 provincies vastlegde het universele model de algemene eb- en vloedbeweging van influenza, maar het neigde ertoe de allerhoogste pieken te onderschatten, vooral in grote stedelijke centra zoals Bangkok en provincies in het noorden met hoge incidentie.

Het model leren helpen in datarme regio’s

De echte uitdaging was het voorspellen van griep in de overige 54 provincies die geen gedetailleerde omgevingsgegevens hadden. Hier wendde het team zich tot transfer learning, een techniek waarbij een model dat op één taak is getraind, wordt aangepast voor een verwante taak. Eerst trainden ze hun universele neuraal netwerk op de 22 goed gemeten provincies. Vervolgens herconfigureerden ze het model zodat het alleen met behulp van eerdere griepcijfers kon werken. Ten slotte verfijnden ze dit aangepaste model op twee manieren: eenmaal met casusgegevens gebundeld over alle 54 provincies, en eenmaal afzonderlijk voor elke provincie. De verfijning per provincie werkte duidelijk het beste: de voorspellingsfouten namen af en de voorspellingen kwamen nauwer overeen met de waargenomen trends dan zowel de gebundelde aanpak als een eenvoudige basismodel dat uitsluitend op lokale historische griepcijfers vertrouwde.

Wat dit betekent voor toekomstige griepplanning

Voor de niet-specialist is de conclusie dat een enkel, zorgvuldig ontworpen AI-model brede patronen kan leren van hoe griep zich in één deel van een land gedraagt en dat die kennis vervolgens kan worden hergebruikt om voorspellingen elders te verbeteren, zelfs waar ondersteunende gegevens schaars zijn. In Thailand voorspelde de beste versie van deze aanpak — een bescheiden neuraal netwerk dat per provincie werd verfijnd — de lokale griepontwikkelingen nauwkeuriger dan standaardmethoden. Hoewel het model nog steeds de omvang van extreme uitbraken onderschat en nog geen sociale of economische factoren omvat, biedt het een praktisch blauwdruk voor lage- en middeninkomenslanden: begin waar gegevens rijk zijn, draag die kennis over naar dataarme gebieden en gebruik deze voorspellingen om vaccins, personeelsinzet en andere verdedigingsmaatregelen te sturen voordat de volgende golf toeslaat.

Bronvermelding: 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

Trefwoorden: griepvoorspelling, transfer learning, deep learning, epidemievoorspelling, Thailand volksgezondheid