Enfeksiyon hastalığı tahmini için hastalığa bağlı olmayan bir toplu öğrenme yaklaşımı

Daha iyi hastalık tahminlerinin önemi

Yeni bir bulaşıcı hastalık ortaya çıktığında, halk sağlığı yetkilileri aşılar, hastane kapasitesi ve sosyal önlemler gibi konularda yalnızca birkaç haftalık veriye dayanarak hızlı kararlar almak zorundadır. Matematiksel ve bilgisayar modellerinden elde edilen tahminler bu kararları yönlendirir, ancak hiçbir tek model her durumda güvenilir değildir. Bu makale, geçmiş verilerin az olduğu yeni hastalıklarda bile işe yarayabilecek, birçok farklı tahmin yaklaşımını tek bir daha akıllı tahmin halinde birleştiren bir yöntem sunar.

Çok sayıda tahmin aracını harmanlamak

Bilim insanları genellikle birkaç ayrı modelden oluşan bir toplu (ensemble) oluşturarak tahminleri iyileştirir. Basit bir yöntem her modele eşit etki verir; bu güvenli bir yaklaşımdır ama bazı modeller belirgin şekilde daha iyi olduğunda israf olabilir. Daha sofistike yöntemler hangi modellere daha fazla ağırlık verilmesi gerektiğini geçmiş performanstan öğrenmeye çalışır, ancak bunlar genellikle tek bir hastalık için yıllarca ayrıntılı veri gerektirir. Bu da COVID-19 gibi hızlı ilerleyen salgınlara uygun olmalarını zorlaştırır, çünkü böyle kayıtlar henüz mevcut olmayabilir.

Karışımı veri olmadan ayarlamanın yolu

Yazarlar, epiFFORMA adını verdikleri ve belirli bir hastalık için tarihsel kayıtlara dayanmak zorunda kalmadan modelleri nasıl ağırlıklandırılacağını öğrenen yeni bir çerçeve öneriyor. Bunun yerine, standart hastalık yayılım denklemleri kullanılarak gerçeğe uygun ama tamamen sentetik salgın eğrilerinden oluşan geniş bir kütüphane oluşturuluyor. Her bir sentetik salgın için dokuz yaygın tahmin modeli çalıştırılıyor ve bunların yolculuğun farklı noktalarında hangilerinin en iyi performansı gösterdiği kaydediliyor. Ayrıca her salgın eğrisi, vaka sayılarının ne kadar hızlı değiştiği, serinin yakın zamanda bir zirveye ne kadar yakın olduğu ve mevsimsel desenlerin ne kadar güçlü göründüğü gibi açıklayıcı özelliklerin kompakt bir kümesine dönüştürülüyor.

Hangi modeli seçeceğini öğreten bir meta-model

Bu sentetik kütüphane kullanılarak ekip, zaman serisi özelliklerini model ağırlıklarının iyi seçimleriyle ilişkilendiren ayrı bir makine öğrenimi sistemi eğitiyor. epiFFORMA, belirli isimlendirilmiş modellere öncelik vermeyi öğrenmek yerine, tüm model tahminlerinin ortalarına yakın tahminlere ne zaman güvenileceği veya aşırı yüksek ya da düşük tahminlerin ne zaman ağırlıktan düşürüleceği gibi desenleri öğreniyor. Eğitildikten sonra bu meta-model gerçek bir salgına uygulanabiliyor: gözlemlenen vaka sayılarından özellikler hesaplanıyor, her bileşen model kısa vadeli bir tahmin üretiyor ve epiFFORMA bunları tek bir tahminde birleştirmek için ağırlıklar atıyor.

Yöntemin performansı nasıl

Araştırmacılar epiFFORMA’yı COVID-19, influenza benzeri hastalık, dengue, kızamık, kabakulak, polio, rubella, çiçek hastalığı ve chikungunya gibi hastalıkları kapsayan 11 büyük veri kümesinde, birçok bölge ve yılı içerecek şekilde test ettiler. Üç seçeneği karşılaştırdılar: tek tek her modelin kendi başına tahmini, basit eşit ağırlıklı ortalama ve epiFFORMA kombinasyonu. Hastalık tahmininde kullanılan standart hata ölçüleri genelinde epiFFORMA ortalama olarak eşit ağırlamadan ve çoğu tekil modelden daha doğru çıktı. Özellikle vaka sayıları zirve yaptıktan hemen sonra veya vakalar yükselmeye başladığında—bazı modellerin sistematik olarak aşırı veya yetersiz tepki verdiği durumlarda—büyük iyileşmeler sağladı. epiFFORMA’nın açık ara kazanmadığı birkaç hastalık ortamında bile performansı en iyi alternatiflere çok yakındı.

Gelecek salgınlar için bunun anlamı

Bir uzman olmayan için ana mesaj, yazarların simüle edilmiş epidemiler kullanarak bir salgın “tahmin birleştiricisini” önceden eğittiği ve böylece bir sonraki gerçek tehdit ortaya çıktığında hazır olduğu yönünde. epiFFORMA belirli bir patojen için ayrıntılı geçmiş veri gerektirmediği için, yeni ortaya çıkan bir salgının erken döneminde uygulanabilir ve mevcut modellerin basitçe ortalanmasından daha iyi bir avantaj sunabilir. Bu yaklaşım, sağlık kuruluşlarına birçok hastalığa uyum sağlayabilen, geleneksel toplu tahminlerin istikrarı ve güvenliğini koruyan daha esnek ve genel olarak güvenilir bir tahmin aracı sunuyor.

Atıf: Murph, A.C., Beesley, L.J., Gibson, G.C. et al. A disease-agnostic approach to ensemble learning for infectious disease forecasting. Nat Commun 17, 4255 (2026). https://doi.org/10.1038/s41467-026-70937-8

Anahtar kelimeler: enfeksiyon hastalığı tahmini, toplu modelleme, sentetik salgın verisi, yeni ortaya çıkan epidemiler, makine öğrenimi