Att använda universella och transferinlärningsmodeller för influensaprediktion i Thailand

Varför influensaprogoser spelar roll för alla

Influensa kan kännas som en rutinmässig vinteråkomma, men den skickar ändå miljontals människor till vårdcentraler och sjukhus varje år och kan vara dödlig, särskilt när vårdsystemen blir överraskade. Att kunna förutse när och var influensan kommer att slå till gör det möjligt för läkare och folkhälsoansvariga att lagerhålla vaccin och mediciner, förbereda sjukhussängar och varna samhällen i förväg. Denna studie fokuserar på Thailand, men idéerna i den — att använda modern artificiell intelligens för att göra bättre prognoser även där data är knappa — kan hjälpa många länder att rusta sig för nästa svåra influensasäsong.

Influensa, väder och fläckvis data

Thailands influensabörda varierar kraftigt mellan provinser, och tidigare forskning har visat att lokalt klimat — såsom temperatur, luftfuktighet, nederbörd och luftföroreningar — kan påverka när utbrott inträffar. Tyvärr finns inte detaljerade mätningar av väder och luftkvalitet överallt. Av Thailands 76 provinser har bara 22 både influensfallräkningar och kompletterande miljödata; resten har endast fallantal. Traditionella statistiska verktyg, som ofta anpassas separat för varje plats, har svårt att hantera detta lapptäcke. De kan missa ovanliga mönster och är långsamma att uppdatera när förhållanden ändras, vilket begränsar deras användbarhet för ett nationellt tidigt varningssystem.

Att bygga en modell för många platser

Forskarna gav sig i kast med att bygga en enda ”universell” datormodell som kunde lära sig från alla 22 data-rika provinser samtidigt. De använde ett artificiellt neuralt nätverk — en typ av djupinlärning som löst efterliknar hur hjärnceller bearbetar information — för att förutsäga månadsvis influensa-incidens från 2010 till 2019. Innan nätverket tränades använde de en maskininlärningsmetod kallad Random Forest för att sålla bland 27 kandidatvariabler, inklusive nuvarande och fördröjda värden av temperatur, luftfuktighet, nederbörd, vind, sikt, luftföroreningar och senaste influensnivåer. Detta steg lyfte fram vilka ingredienser som faktiskt hjälpte prognosen och gjorde det möjligt för författarna att skära bort mindre användbara variabler, vilket gjorde den slutliga modellen snabbare och mindre känslig för brus.

Vad den universella modellen lärde sig

Efter omfattande testning av olika nätverksstorlekar presterade en relativt enkel design — ett dolt lager med 128 interna enheter — bäst. Intressant nog förbättrade tillskottet av miljöfaktorer såsom väder och luftföroreningar prognoserna endast marginellt i de flesta provinser, och i vissa fall gjorde de knappt någon skillnad. En tydlig signal stod ändå ut: temperatur valdes konsekvent som viktig, vilket ekar tidigare arbete som kopplar svalare eller förändrade temperaturer till högre influensaaktivitet. I de 22 provinserna fångade den universella modellen influensans övergripande ebb och flod men tenderade att underskatta de allra högsta topparna, särskilt i stora stadscentra som Bangkok och i nordliga provinser med hög incidens.

Att lära modellen hjälpa datafattiga regioner

Den verkliga utmaningen var att prognostisera influensa i de återstående 54 provinserna som saknade detaljerade miljödata. Här vände sig teamet till transferinlärning, en teknik där en modell tränad för en uppgift anpassas till en närliggande uppgift. Först tränade de sitt universella neurala nätverk på de 22 välmätta provinserna. Därefter omkonfigurerade de modellen så att den kunde köras med enbart tidigare influensräkningar som indata. Slutligen finjusterade de denna anpassade modell på två sätt: en gång med falldata samlade över alla 54 provinser och en gång separat för varje provins. Finjusteringen provins för provins fungerade tydligt bäst, minskade prognosfelen och gav en närmare överensstämmelse med observerade trender än antingen den pooling-baserade ansatsen eller en enkel referensmodell som endast byggde på tidigare lokala influensnivåer.

Vad detta betyder för framtida influensplanering

För en lekmannaläsare är slutsatsen att en enda, noggrant utformad AI-modell kan lära sig breda mönster för hur influensa beter sig i en del av ett land och sedan återanvändas för att förbättra prognoser på andra platser, även där stöddata är knappa. I Thailand förutsåg den bästa varianten av denna metod — ett måttligt stort neuralt nätverk som finjusterades för varje provins — lokala influensmönster mer exakt än standardmetoder. Även om modellen fortfarande underskattar omfattningen av extrema utbrott och ännu inte inkluderar sociala eller ekonomiska faktorer, erbjuder den en praktisk modell för låg- och medelinkomstländer: börja där data är rika, överför den kunskapen till datafattiga områden och använd dessa prognoser för att styra vaccineringar, bemanning och andra försvarsåtgärder innan nästa våg slår till.

Citering: 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

Nyckelord: influensaprognoser, transferinlärning, djupinlärning, epidemiprediktion, Thailands folkhälsa