Wykorzystanie modeli uniwersalnych i transfer learning do prognozowania grypy w Tajlandii

Dlaczego prognozy grypy są ważne dla wszystkich

Grypa może wydawać się rutynową chorobą sezonową, ale co roku wysyła miliony ludzi do przychodni i szpitali i może być śmiertelna, zwłaszcza gdy systemy opieki zdrowotnej są zaskoczone. Możliwość przewidywania, kiedy i gdzie nastąpi wzrost zachorowań, pozwala lekarzom i służbom zdrowia zaopatrzyć się w szczepionki i leki, przygotować łóżka szpitalne i ostrzec społeczności z wyprzedzeniem. Niniejsze badanie koncentruje się na Tajlandii, ale idee w nim zawarte — wykorzystanie nowoczesnej sztucznej inteligencji do lepszych prognoz nawet tam, gdzie dane są skąpe — mogą pomóc wielu krajom przygotować się na kolejną poważną falę grypy.

Grypa, pogoda i niepełne dane

Obciążenie grypą w Tajlandii bardzo różni się między prowincjami, a wcześniejsze badania wykazały, że lokalny klimat — taki jak temperatura, wilgotność, opady czy zanieczyszczenie powietrza — może wpływać na moment wystąpienia epidemii. Niestety szczegółowe pomiary pogody i jakości powietrza nie są dostępne wszędzie. Spośród 76 prowincji Tajlandii tylko 22 mają zarówno liczbę przypadków grypy, jak i dane środowiskowe; pozostałe dysponują wyłącznie liczbami zachorowań. Tradycyjne narzędzia statystyczne, które często są dopasowywane oddzielnie dla każdego miejsca, mają trudności z radzeniem sobie z takim patchworkiem. Mogą przegapić nietypowe wzorce i są powolne w aktualizacji, gdy warunki się zmieniają, co ogranicza ich użyteczność dla krajowego systemu ostrzegania.

Budowanie jednego modelu dla wielu miejsc

Naukowcy postanowili zbudować pojedynczy „uniwersalny” model komputerowy, który mógłby uczyć się jednocześnie ze wszystkich 22 prowincji z bogatymi danymi. Użyli sieci neuronowej — rodzaju deep learningu, który w luźny sposób naśladuje sposób przetwarzania informacji przez komórki mózgowe — do prognozowania miesięcznego wskaźnika zachorowań na grypę w latach 2010–2019. Przed trenowaniem sieci zastosowali metodę uczenia maszynowego zwaną Random Forest, aby przesiać 27 kandydatów na zmienne wejściowe, w tym bieżące i opóźnione wartości temperatury, wilgotności, opadów, wiatru, widoczności, zanieczyszczenia powietrza oraz ostatnie poziomy zachorowań. Ten krok wskazał, które składniki rzeczywiście pomagały w prognozowaniu i pozwolił autorom odrzucić mniej użyteczne zmienne, dzięki czemu finalny model był szybszy i mniej podatny na szum.

Czego nauczył się model uniwersalny

Po szerokich testach różnych rozmiarów sieci relatywnie prosta konstrukcja — jedna warstwa ukryta z 128 jednostkami — wypadła najlepiej. Co ciekawe, dodanie czynników środowiskowych, takich jak pogoda i zanieczyszczenie powietrza, poprawiło prognozy tylko nieznacznie w większości prowincji, a w niektórych przypadkach praktycznie nic nie zmieniało. Wyraźny sygnał, który się wyróżnił, to temperatura — była konsekwentnie wybierana jako istotna, co potwierdza wcześniejsze prace łączące chłodniejsze lub zmienne temperatury ze zwiększoną aktywnością grypy. W skali 22 prowincji model uniwersalny uchwycił ogólny rytm wybuchów grypy, ale zwykle nie doceniał najwyższych szczytów zachorowań, zwłaszcza w dużych ośrodkach miejskich, takich jak Bangkok, i w północnych prowincjach o wysokiej zapadalności.

Nauczanie modelu, by pomógł regionom z ubogimi danymi

Prawdziwym wyzwaniem było prognozowanie grypy w pozostałych 54 prowincjach, które nie miały szczegółowych danych środowiskowych. W tym miejscu zespół sięgnął po transfer learning — technikę, w której model wytrenowany dla jednego zadania jest adaptowany do pokrewnego. Najpierw trenowali uniwersalną sieć neuronową na 22 dobrze zmierzonych prowincjach. Następnie przebudowali model tak, aby działał, używając jedynie przeszłych liczby przypadków grypy jako wejścia. Na końcu dopracowali (fine-tuning) ten zaadaptowany model na dwa sposoby: raz używając danych zbiorczych ze wszystkich 54 prowincji, a raz oddzielnie dla każdej prowincji. Dopracowanie dla poszczególnych prowincji wyraźnie dało najlepsze rezultaty, zmniejszając błędy prognoz i lepiej odwzorowując obserwowane trendy niż podejście zbiorcze lub proste modele bazowe oparte wyłącznie na lokalnych przeszłych poziomach zachorowań.

Co to znaczy dla planowania przyszłych fal grypy

Dla czytelnika niebędącego specjalistą wniosek jest taki, że pojedynczy, starannie zaprojektowany model AI może nauczyć się szerokich wzorców zachowania grypy w jednej części kraju, a następnie zostać ponownie użyty, aby poprawić prognozy w innych miejscach, nawet tam, gdzie dane wspierające są skąpe. W Tajlandii najlepsza wersja tego podejścia — umiarkowanie mała sieć neuronowa dopracowana dla każdej prowincji — przewidywała lokalne trendy grypy dokładniej niż standardowe metody. Choć model nadal zaniża rozmiar ekstremalnych epidemii i nie uwzględnia jeszcze czynników społecznych czy ekonomicznych, stanowi praktyczny schemat dla krajów o niskich i średnich dochodach: zacznij tam, gdzie dane są bogate, przenieś tę wiedzę do obszarów z biedniejszymi danymi i wykorzystaj prognozy do kierowania szczepieniami, obsadą personelu i innymi środkami obronnymi zanim nadejdzie następna fala.

Cytowanie: 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

Słowa kluczowe: prognozowanie grypy, transfer learning, deep learning, prognozowanie epidemii, zdrowie publiczne Tajlandii