Tayland’da grip tahmini için evrensel ve transfer öğrenme modellerinden yararlanma

Grip tahminlerinin herkes için neden önemi var

Grip rutin bir kış hastalığı gibi hissettirebilir, ancak her yıl milyonları kliniklere ve hastanelere gönderir ve sağlık sistemleri hazırlıksız yakalandığında ölümcül olabilir. Gribin ne zaman ve nerede artış göstereceğini önceden tahmin edebilmek, doktorların ve halk sağlığı yetkililerinin aşı ve ilaç stoklamasına, hastane yataklarını hazırlamasına ve toplulukları önceden uyarmasına olanak tanır. Bu çalışma Tayland’a odaklanıyor, ancak arkasındaki fikirler — modern yapay zekâyı veri kıtlığı olan yerlerde bile daha iyi tahminler yapmak için kullanmak — birçok ülkenin bir sonraki kötü grip sezonuna hazırlanmasına yardımcı olabilir.

Grip, hava durumu ve parçalı veriler

Tayland’ın grip yükü iller arasında büyük ölçüde değişiyor ve önceki araştırmalar yerel iklimin — sıcaklık, nem, yağış ve hava kirliliği gibi — salgıların zamanlanmasını etkileyebileceğini gösterdi. Ne yazık ki, ayrıntılı hava ve hava kalitesi ölçümleri her yerde bulunmuyor. Tayland’ın 76 ilinden yalnızca 22’sinde hem grip vaka sayıları hem de destekleyici çevresel veriler mevcut; geri kalanlarda sadece vaka sayıları var. Genellikle her konum için ayrı ayrı ayarlanan geleneksel istatistiksel araçlar bu yamalı tabloyla başa çıkmakta zorlanıyor. Olağandışı örüntüleri kaçırabiliyor ve koşullar değiştiğinde yavaş güncelleniyorlar; bu da ülke çapında erken uyarı için kullanışlılıklarını sınırlıyor.

Birçok yer için tek model oluşturmak

Araştırmacılar, aynı anda tüm 22 veri zengini ilden öğrenebilen tek bir “evrensel” bilgisayar modeli kurmaya karar verdi. Aylık grip insidansını 2010–2019 döneminde tahmin etmek için yapay sinir ağı — beyin hücrelerinin bilgiyi işleyişini gevşek bir biçimde taklit eden bir derin öğrenme türü — kullandılar. Ağı eğitmeden önce, 27 aday girdiyi (mevcut ve gecikmeli sıcaklık, nem, yağış, rüzgâr, görünürlük, hava kirliliği ve son grip düzeyleri dahil) elemek için Random Forest adlı bir makine öğrenmesi yöntemi kullandılar. Bu adım hangi bileşenlerin gerçekten tahmine yardımcı olduğunu ortaya koydu ve yazarların daha az yararlı değişkenleri elden çıkarmasına izin vererek nihai modeli daha hızlı ve gürültüye karşı daha az hassas hale getirdi.

Evrensel modelin öğrendikleri

Farklı ağ boyutlarının kapsamlı testlerinden sonra, göreli olarak basit bir tasarım — 128 iç birime sahip tek gizli katman — en iyi performansı gösterdi. İlginç bir şekilde, hava ve hava kirliliği gibi çevresel faktörlerin eklenmesi çoğu ilde tahminleri yalnızca biraz iyileştirdi ve bazı durumlarda neredeyse fark yaratmadı. Açıkça öne çıkan bir sinyal vardı: sıcaklık tutarlı biçimde önemli olarak seçildi; bu, daha önceki çalışmaların daha serin veya değişen sıcaklıkların daha yüksek grip aktivitesiyle ilişkilendirdiğini yineliyor. 22 il genelinde evrensel model gribin genel dalga ve çalkantılarını yakaladı, ancak özellikle Bangkok gibi büyük kentsel merkezlerde ve yüksek insidanslı kuzey illerinde çok yüksek zirveleri eğilimle düşük tahmin etme eğilimindeydi.

Modeli veri fakiri bölgelere öğretmek

Asıl zorluk, ayrıntılı çevresel verilerden yoksun kalan kalan 54 ilin gripini tahmin etmekti. Burada ekip transfer öğrenmeye yöneldi; bir görevde eğitilmiş bir modelin ilgili bir göreve uyarlanması tekniği. Önce evrensel sinir ağını iyi ölçümlenmiş 22 il üzerinde eğittiler. Sonra modeli yalnızca geçmiş grip sayılarını girdi olarak kullanacak şekilde yeniden yapılandırdılar. Son olarak, bu uyarlanmış modeli iki şekilde ince ayar yaptılar: bir kez 54 ilin tümü üzerinde birleştirilmiş vaka verisi kullanarak, bir kez de her il için ayrı ayrı. İl bazında yapılan ince ayar açıkça en iyi sonucu verdi; tahmin hatalarını azaltarak gözlenen eğilimlere, hem havuzlanmış yaklaşımdan hem de yalnızca geçmiş yerel grip düzeylerine dayanan basit bir temel modelden daha yakın bir eşleşme sağladı.

Gelecek grip planlaması için bunun anlamı

Gayrı uzman bir okuyucu için çıkarım şudur: tek, dikkatle tasarlanmış bir yapay zekâ modeli, bir ülkenin bir bölgesindeki grip davranışının genel örüntülerini öğrenebilir ve ardından bu bilgiyi destekleyici verilerin yetersiz olduğu başka yerlere aktararak tahminleri iyileştirebilir. Tayland’da bu yaklaşımın en iyi sürümü — her il için ince ayar yapılmış mütevazı boyutlu bir sinir ağı — yerel grip eğilimlerini standart yöntemlere göre daha doğru tahmin etti. Model hâlâ aşırı salgınların boyutunu az tahmin ediyor ve henüz sosyal veya ekonomik faktörleri içermiyor olsa da, düşük ve orta gelirli ülkeler için pratik bir kılavuz sunuyor: verinin zengin olduğu yerden başlayın, o bilgiyi veri fakiri bölgelere aktarın ve bu tahminleri bir sonraki dalga gelmeden önce aşılar, personel planlaması ve diğer savunmalar için kullanın.

Atıf: 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

Anahtar kelimeler: grip tahmini, transfer öğrenme, derin öğrenme, epidemi tahmini, Tayland halk sağlığı