Инновационное применение пространственно-временной графовой сверточной сети для прогнозирования болезни денге

Почему прогнозирование денге важно для повседневной жизни

Лихорадка денге распространяется быстрее, чем когда-либо, подстегиваемая потеплением климата, ростом городов и международными перемещениями. Миллионы людей теперь живут в районах, где укус комара может означать серьёзное заболевание, госпитализацию или даже смерть. Возможность предсказать вспышки денге на несколько недель вперёд дала бы медицинским службам драгоценное время для обработки местности, информирования сообществ и подготовки больниц. В этом исследовании изучается, можно ли перенастроить передовые методы искусственного интеллекта, изначально созданные для прогнозирования трафика, чтобы предсказывать волны денге по всей Латинской Америке.

Отслеживание следа денге через страны

Исследователи сосредоточились на девяти странах Центральной и Южной Америки, включая Бразилию, Мексику, Колумбию и нескольких их соседей, за период с 2014 по 2022 год. Вместо того чтобы опираться только на прошлые случаи заболевания и базовые погодные данные, они объединили 29 различных типов информации. В число данных вошли местные отчёты по денге, еженедельные погодные условия — такие как температура, осадки, влажность и освещённость, — экологические характеристики, например покрытие лесов и сельскохозяйственных угодий, а также широкий набор социально-экономических индикаторов. Примеры последних — уровни доходов, ёмкость больниц, охват вакцинацией, доступ к электричеству и распределение населения по возрасту и городам. Сочетая все эти пласты данных, команда стремилась создать более реалистичную картину условий, в которых размножаются переносчики денге и распространяется вирус.

Заимствование умных инструментов из прогнозирования трафика

Чтобы преобразовать этот богатый набор данных в прогнозы, команда адаптировала метод глубокого обучения под названием пространственно-временная графовая сверточная сеть (Spatio-Temporal Graph Convolutional Network, STGCN). Проще говоря, модель учитывает, как вещи меняются во времени («временная» часть), и как различные места влияют друг на друга («пространственная» часть). Она рассматривает каждую страну как «узел» в сети и позволяет компьютеру самостоятельно выявлять, какие страны связаны между собой по паттернам денге, вместо ручного кодирования только соседских связей. Одновременно модель анализирует, как число случаев меняется от недели к неделе. Авторы сравнили этот продвинутый подход с более традиционным методом машинного обучения — Random Forest, который уже показал лучшие результаты в прогнозировании денге по сравнению со многими старыми статистическими инструментами.

Насколько хорошо новая модель предсказывает вспышки

По данным по девяти странам модель STGCN оказалась особенно эффективной для краткосрочных прогнозов, заглядывая на один–четыре недели вперёд. Во многих случаях она с высокой точностью улавливала время и масштаб всплесков денге, достигая очень сильных статистических показателей (коэффициенты детерминации R² часто выше 0,8 и до 0,98) и относительно низких ошибок. Бразилия, где имеются большие и относительно последовательные данные, показала наилучшие результаты, но выгоду также получили такие страны, как Никарагуа, Гондурас и Мексика. Модель работала хуже в местах с редкими или более нерегулярными данными, например в Боливии и некоторых районах Перу, и, как большинство инструментов, теряла точность при попытках заглядывать дальше во времени. Тем не менее при прямом сравнении графовая модель превзошла Random Forest в большинстве стран и для большинства более коротких окон прогнозирования.

Почему имеют значение социальные и экономические реалии

Одним из самых заметных выводов была добавленная ценность включения социально-экономической информации. Когда эти факторы исключались из модели, прогнозы становились более шумными и менее надёжными, особенно в таких странах, как Гондурас, Перу, Колумбия и Мексика. Включение индикаторов, связанных с доходами, здравоохранением, инфраструктурой и структурой населения, помогло стабилизировать прогнозы и улучшить их соответствие реальным случаям. Это указывает на то, что риск денге — не только вопрос климата и наличия комаров; на него также влияют условия жизни, мобильность людей и доступ к услугам. Авторы предупреждают, что модель выявляет закономерности, а не строгую причинно-следственную связь, но ясно показывает, что более широкие условия жизни оставляют измеримый отпечаток на динамике вспышек.

Что это значит для решений в сфере общественного здравоохранения

Для неспециалистов основной вывод таков: современные инструменты ИИ уже могут дать медицинским службам полезное «предупреждение» о вспышках денге за несколько недель до их наступления, особенно если их подпитывать богатыми данными о климате и социальной среде. Адаптированная модель для прогнозирования трафика показала себя устойчивой, гибкой и в целом более точной по сравнению с сильным традиционным методом, что делает её перспективным кандидатом для систем раннего оповещения. Хотя остаются вызовы — такие как неравномерное качество данных, потеря детализации в крупных странах и уменьшение точности на больших горизонтах прогнозирования — подход указывает на будущее, в котором прогнозы заболеваний можно регулярно обновлять, настраивать под местные условия и расширять на другие передаваемые комарами угрозы, такие как Зика или чикунгунья. В этом смысле работа представляет собой шаг к превращению сложных потоков данных в практическое время для профилактики.

Цитирование: Siabi, N., Son, R., Thomas, M. et al. Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Sci Rep 16, 2594 (2026). https://doi.org/10.1038/s41598-026-36225-7

Ключевые слова: прогнозирование денге, графовые нейронные сети, климат и здоровье, социально-экономические факторы, заболевание, передаваемое переносчиками