Realtidsdynamisk prediktion av HFMD-överföring med SEIRQ-ARIMA hybridmodell optimerad av multi-stegs ABC-GWO-algoritm

Varför detta spelar roll för vardagshälsan

Hand-, fot- och munsjuka (HFMD) är en vanlig barnsjukdom som tyst kan belasta familjer, skolor och sjukhus. Endast i Guangxi-regionen i Kina rapporterades över 120 000 fall mellan 2014 och 2020, mestadels hos barn under fem år. Denna studie ställer en mycket praktisk fråga: om vi kombinerar realtidssensorer, smarta algoritmer och sjukdomsmodeller, kan vi då förutsäga HFMD-utbrott mer exakt och använda karantänåtgärder mer klokt—spara pengar och undvika onödig störning?

Från enkla kurvor till smart prognostisering

Traditionella epidemimodeller delar in populationen i grupper som ”mottagliga”, ”smittade” och ”återhämtade” och använder fasta parametrar för att följa hur ett utbrott stiger och faller. Dessa modeller är användbara för att förstå generella trender, men de antar att världen står still: att människors rörelsemönster är desamma året runt, att vädret inte förändras och att kontrollåtgärder som karantän aldrig ändras. I verkligheten ökar HFMD-överföringen i Guangxi under fuktiga somrar, sjunker i svalare månader och skjuter i höjden när familjer reser under högtider som vårfestivalen. Modeller med fasta parametrar hade svårt att följa dessa svängningar och missade ofta klusterutbrott i platser som förskolor med mer än 30 procent.

Vad sensorerna kan se

Forskarlaget byggde vidare på ett växande ”Internet of Things”-nätverk som redan används i Guangxi. Hundratals sjukhus, förskolor och transportnav är utrustade med enheter som övervakar temperatur, luftfuktighet, trängsel och människors rörelser. Andra sensorer spårar hur väl karantänåtgärder faktiskt efterlevs—hur många barn som stannar hemma, hur ofta karantänsatta personer lämnar sina rum och hur fulla klassrum eller väntrum blir. Dessa datastreams anländer inom minuter, korskontrolleras mot pappersjournaler och är tillräckligt precisa för att upptäcka effekter som en förkortad inkubationstid för HFMD under en ovanligt fuktig sommar. Kort sagt fångar sensorerna de förskjutna förhållanden som gör att ett virus sprids snabbare eller långsammare.

Ett nytt sätt att följa sjukdomen

Med hjälp av dessa data uppgraderade teamet den klassiska modellen till en SEIRQ-ram, med en separat grupp för karantänsatta smittade personer. Viktigt är att centrala storheter—hur lätt viruset sprids, hur snabbt exponerade barn blir sjuka, hur snabbt patienter tillfrisknar och hur många smittade barn som framgångsrikt isoleras—inte längre behandlas som fasta. I stället tillåts de förändras över tid, styrda direkt av sensoravläsningar och officiella hälsojournaler. För att stämma av denna dynamiska modell kombinerade författarna två ”naturinspirerade” optimeringsmetoder: den ena efterliknar hur bin spanar och delar information om födokällor, och den andra imiterar hur vargar söker samarbetsinriktat efter byte. Arbetet i etapper låter bi-liknande algoritmen utforska många möjliga parameterkombinationer, och varg-liknande algoritmen förfinar sedan de mest lovande. Detta hjälper till att undvika att fastna i missvisande lokala mönster dolda i brusiga verkliga data.

Att blanda fysik och mönster

Även en noggrant stämd sjukdomsmodell kan lämna obesvarade svängningar i data—kortfristiga hopp och dippar som uppstår från skolkalendarier eller plötsliga reseperioder. För att fånga dessa finfördelade tidsmässiga mönster parade författarna sin SEIRQ-modell med ett välkänt statistiskt prognosverktyg kallat ARIMA, som är bra på att lära sig återkommande mönster i tidsserier. Istället för att låta en svart låda-neuronnät dölja vad som händer, förenade de de två modellerna transparent: den slutliga prognosen är en viktad blandning av den mekanistiska SEIRQ-kurvan och ARIMA-prediktionen. I tester på Guangxis HFMD-data från 2014 till 2020 nästan utplånade detta hybridförhållningssätt prognosfel, och minskade en nyckelmått på fel med omkring 95 procent jämfört med att använda någon av modellerna ensam.

Vad detta betyder för karantänpolicy

Eftersom modellen håller explicit koll på karantän kan den översätta ”hur strikt bör vi vara?” till konkreta siffror. Analysen tyder på att i Guangxi kan en höjning av den effektiva isoleringsgraden för smittsamma barn till ungefär 40 procent halvera toppen av en HFMD-våg, samtidigt som den ger en gynnsam kostnads–nytto-kvot på cirka en enhet utgift för nästan nio enheter undvikna förluster. Att gå långt utöver denna nivå ger avtagande avkastning och snabbt stigande kostnader, medan att ligga under den lämnar många förebyggbara infektioner. För beslutsfattare är lärdomen både enkel och kraftfull: genom att koppla sensorsdata till en transparent, noggrant kalibrerad hybridmodell är det möjligt att tajma och rikta karantänåtgärder så att de meningsfullt minskar barnsjukdomar och vårdtryck utan att ta till omfattande nedstängningar.

Citering: Zeng, Z., Sathasivam, S., Xin, J. et al. Real-time dynamic prediction of HFMD transmission using SEIRQ-ARIMA hybrid model optimized by multi-stage ABC-GWO algorithm. Sci Rep 16, 9043 (2026). https://doi.org/10.1038/s41598-026-35833-7

Nyckelord: Hand-, fot- och munsjuka, IoT-epidemövervakning, SEIR-modellering, tidsserieprognoser, karantänoptimering