Innovativ tillämpning av ett trafikprognos-spatio-temporalt grafkonvolutionsnätverk för prognoser av dengue

Varför det spelar roll att förutse dengue i vardagen

Denguefeber sprider sig snabbare än tidigare, drivs på av ett varmare klimat, växande städer och globalt resande. Miljoner människor bor nu på platser där ett myggbett kan leda till allvarlig sjukdom, sjukhusvistelse eller till och med dödsfall. Att kunna se dengueutbrott några veckor i förväg kan ge vårdpersonal värdefull tid för myggbekämpning, varningar till samhällen och förberedelser på sjukhus. Den här studien undersöker om avancerad artificiell intelligens, ursprungligen utvecklad för att förutsäga trafikstockningar, kan anpassas för att förutsäga denguevågor i Latinamerika.

Följa dengues spår över gränser

Forskarlaget fokuserade på nio länder i Central- och Sydamerika, inklusive Brasilien, Mexiko, Colombia och flera av deras grannar, under perioden 2014–2022. Istället för att bara titta på tidigare denguefall och grundläggande väderdata sammanförde de 29 olika typer av information. Dessa inkluderade lokala dengue-rapporter, veckovisa väderförhållanden som temperatur, nederbörd, luftfuktighet och solinstrålning, miljödata som skogs- och jordbruksytor samt ett brett spektrum av sociala och ekonomiska indikatorer. Exempel är inkomstnivåer, sjukhuskapacitet, vaccinationsgrad, tillgång till el och hur befolkningen är fördelad över åldersgrupper och städer. Genom att kombinera alla dessa lager strävade teamet efter att bygga en mer realistisk bild av de förhållanden som gör att dengue-myggen och viruset kan frodas och spridas.

Låna smarta verktyg från trafikprognoser

För att omvandla dessa rikliga data till prognoser anpassade teamet en djupinlärningsmetod kallad Spatio-Temporal Graph Convolutional Network, eller STGCN. Enkelt uttryckt ser modellen hur saker förändras över tid (den ”temporala” delen) och hur olika platser påverkar varandra (den ”spatiala” delen). Den behandlar varje land som en "nod" i ett nätverk och låter datorn lära sig vilka länder som verkar kopplade i sina dengue-mönster, istället för att hårdkoda att endast grannländer har betydelse. Samtidigt analyserar den hur dengueantalen utvecklas vecka för vecka. Författarna jämförde detta avancerade tillvägagångssätt med en mer traditionell maskininlärningsmetod kallad Random Forest, som redan visat sig förutsäga dengue bättre än många äldre statistiska verktyg.

Hur väl den nya modellen förutser utbrott

I de nio länderna var STGCN-modellen särskilt effektiv för kortsiktiga prognoser, en till fyra veckor framåt. I många fall fångade den tidpunkten och omfattningen av dengueuppgångar med hög noggrannhet och uppnådde mycket starka statistiska värden (R²-värden ofta över 0,8 och upp till 0,98) samt relativt låga fel. Brasilien, som har stora och relativt konsekventa data, visade bäst prestanda, men länder som Nicaragua, Honduras och Mexiko drog också nytta. Modellen fungerade sämre där data var glest eller mer oregelbundna, såsom i Bolivia och delar av Peru, och precis som de flesta verktyg blev den mindre exakt ju längre fram i tiden den försökte titta. Ändå, i direkt jämförelse, överträffade den grafbaserade modellen Random Forest i de flesta länder och för de kortare prognosfönstren.

Varför sociala och ekonomiska realiteter spelar roll

Ett av de mest slående fynden var det mervärde som uppstod när social och ekonomisk information ingick. När dessa faktorer togs bort från modellen blev prognoserna brusigare och mindre tillförlitliga, särskilt i länder som Honduras, Peru, Colombia och Mexiko. Att inkludera indikatorer kopplade till inkomst, sjukvård, infrastruktur och befolkningsstruktur hjälpte till att stabilisera prognoserna och förbättra hur väl de överensstämde med verkliga fallantal. Detta tyder på att dengue-risk inte bara handlar om klimat och myggor; den formas också av hur människor lever, rör sig och har tillgång till tjänster. Studien varnar för att modellen visar mönster snarare än strikt orsakssamband, men den visar tydligt att bredare levnadsförhållanden lämnar ett mätbart avtryck i utbrottens dynamik.

Vad detta betyder för folkhälsobeslut

För icke-specialister är huvudbudskapet att avancerade AI-verktyg redan kan ge hälsomyndigheter en användbar "förvarning" om dengueutbrott några veckor i förväg, särskilt när de matas med rikliga data om klimat och samhälle. Den anpassade trafikprognosmodellen visade sig vara robust, flexibel och generellt mer träffsäker än en stark konventionell metod, vilket gör den till en lovande kandidat för tidiga varningssystem. Samtidigt kvarstår utmaningar—såsom ojämn datakvalitet, informationsförlust inom stora länder och minskad precision över längre perioder—men angreppssättet pekar mot en framtid där sjukdomsprognoser kan uppdateras regelbundet, anpassas till lokala förhållanden och utvidgas till andra myggburna hot som Zika eller chikungunya. I det avseendet är detta arbete ett steg mot att omvandla komplexa dataströmmar till praktisk tid för förebyggande åtgärder.

Citering: 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

Nyckelord: dengueprognoser, graph neural networks, klimat och hälsa, socioekonomiska drivkrafter, vektorburen sjukdom