Sivrisinek kaynaklı hastalıkların tahmini için trafik tahminine dayalı mekânsal-zamansal grafik konvolüsyonel ağının yenilikçi uygulaması

Dengue tahmininin günlük yaşam için önemi

Dengue ateşi, ısınan iklimler, büyüyen şehirler ve küresel seyahatle hızla yayılıyor. Artık milyonlarca insan, bir sivrisinek ısırığının ciddi bir hastalığa, hastaneye yatışa veya hatta ölüme yol açabileceği yerlerde yaşıyor. Dengue salgınlarını birkaç hafta önceden öngörebilmek, sağlık çalışanlarına sivrisinek ilaçlama, toplulukları uyarmak ve hastaneleri hazırlamak için değerli zaman sağlayabilir. Bu çalışma, aslında trafik sıkışıklığını tahmin etmek için geliştirilen ileri düzey yapay zekânın, Latin Amerika’da dengue dalgalarını öngörmek üzere yeniden uyarlanıp uyarlanamayacağını araştırıyor.

Ülkeler arasındaki dengue izini sürmek

Araştırmacılar, 2014–2022 döneminde Brezilya, Meksika, Kolombiya ve komşuları da dahil olmak üzere Orta ve Güney Amerika’dan dokuz ülkeye odaklandı. Yalnızca geçmiş dengue vaka sayılarını ve temel hava durumu verilerini incelemek yerine 29 farklı bilgi türünü bir araya getirdiler. Bunlar yerel dengue raporları, sıcaklık, yağış, nem ve güneşlenme gibi haftalık hava koşulları; orman ve tarım alanı gibi çevresel özellikler; ayrıca gelir düzeyleri, hastane kapasitesi, aşı kapsamı, elektrik erişimi ve yaş grupları ile şehirleşme gibi geniş bir sosyal ve ekonomik gösterge yelpazesini içeriyordu. Bu katmanları birleştirerek ekip, dengue sivrisinekleri ve virüslerin gelişip yayılmasına olanak veren koşulların daha gerçekçi bir resmini oluşturmayı amaçladı.

Trafik tahmininden akıllı araçlar ödünç almak

Bu zengin veriyi tahminlere dönüştürmek için ekip, Mekânsal-Zamansal Grafik Konvolüsyonel Ağı (Spatio-Temporal Graph Convolutional Network, STGCN) adlı derin öğrenme yöntemini uyarladı. Basitçe söylemek gerekirse, bu model zaman içindeki değişimleri ("zamansal" kısmı) ve farklı yerlerin birbirini nasıl etkilediğini ("mekânsal" kısmı) inceler. Her ülkeyi ağda bir "düğüm" olarak ele alır ve yalnızca komşu ülkelerin önemli olduğu şeklinde sert kurallar koymak yerine hangi ülkelerin dengue örüntülerinde bağlantılı göründüğünü bilgisayarın öğrenmesine izin verir. Aynı zamanda dengue sayılarını hafta hafta nasıl evrildiklerini değerlendirir. Yazarlar bu gelişmiş yaklaşımı, birçok eski istatistiksel araçtan daha iyi dengue tahmini gösteren geleneksel bir makine öğrenmesi yöntemi olan Random Forest ile karşılaştırdı.

Yeni model salgınları ne kadar iyi öngörüyor

Dokuz ülke genelinde STGCN modeli özellikle kısa vadeli tahminlerde, geleceğe bir ila dört hafta bakarken etkiliydi. Birçok durumda, dengue dalgalanmalarının zamanlamasını ve büyüklüğünü yüksek doğrulukla yakaladı; istatistiksel skorlar (R² değerleri sıklıkla 0,8’in üzerinde ve 0,98’e kadar) güçlüydü ve hatalar görece düşüktü. Büyük ve nispeten tutarlı veriye sahip Brezilya en iyi performansı gösterdi, ancak Nikaragua, Honduras ve Meksika gibi ülkeler de modelden fayda sağladı. Veri seyrek ya da düzensiz olduğu yerlerde, örneğin Bolivya ve Peru’nun bazı bölgelerinde model daha zayıftı ve çoğu araçta olduğu gibi daha uzak geleceğe bakıldıkça doğruluk azaldı. Yine de doğrudan karşılaştırıldığında, grafik tabanlı model çoğu ülkede ve kısa tahmin pencerelerinin çoğunda Random Forest’tan daha iyi performans gösterdi.

Sosyo-ekonomik gerçekliklerin önemi

Dikkat çekici bulgulardan biri, sosyal ve ekonomik bilgilerin modele kattığı ek değerin açık olmasıydı. Bu faktörler modelden çıkarıldığında, tahminler özellikle Honduras, Peru, Kolombiya ve Meksika gibi ülkelerde daha gürültülü ve daha az güvenilir hale geldi. Gelir, sağlık hizmetleri, altyapı ve nüfus yapısıyla ilgili göstergelerin eklenmesi, tahminleri stabilize etmeye ve gerçek vaka sayılarına daha iyi uymasına yardımcı oldu. Bu, dengue riskinin yalnızca iklim ve sivrisinek meselesi olmadığını; insanların nasıl yaşadığı, nasıl hareket ettiği ve hizmetlere erişimiyle de şekillendiğini gösteriyor. Çalışma modelin sebep-sonuç ilişkileri değil desenleri ortaya koyduğuna dikkat çekiyor, fakat daha geniş yaşam koşullarının salgın dinamikleri üzerinde ölçülebilir bir iz bıraktığını açıkça ortaya koyuyor.

Halk sağlığı kararları için çıkarımlar

Uzman olmayanlar için çıkarılacak ana mesaj, gelişmiş yapay zekâ araçlarının, özellikle iklim ve topluma ilişkin zengin verilerle beslendiğinde, sağlık kuruluşlarına dengue salgınları hakkında birkaç hafta önceden faydalı bir "erken uyarı" sağlayabildiğidir. Trafik tahminine uyarlanmış model sağlam, esnek ve genelde güçlü bir geleneksel yönteme göre daha doğru bulundu; bu da onu erken uyarı sistemleri için umut verici bir aday yapıyor. Eşitsiz veri kalitesi, büyük ülkelerde ayrıntı kaybı ve daha uzun dönemlerde azalan doğruluk gibi zorluklar sürse de, yaklaşım hastalık tahminlerinin düzenli olarak güncellenebileceği, yerel gerçekliklere göre ayarlanabileceği ve Zika veya chikungunya gibi diğer sivrisinek kaynaklı tehditlere genişletilebileceği bir geleceğe işaret ediyor. Bu açıdan, çalışma karmaşık veri akışlarını önleme için eyleme dönüştürülebilir zamana çevirmeye yönelik bir adım niteliğindedir.

Atıf: 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

Anahtar kelimeler: dengue tahmini, graf sinir ağları, iklim ve sağlık, sosyo-ekonomik etmenler, vektör kaynaklı hastalık