Во время эпидемии некоторые из наиболее важных вопросов для лиц, принимающих решения в сфере здравоохранения, являются самыми сложными для ответа: когда пик эпидемии, сколько людей одновременно будут нуждаться в лечении и как долго продлится этот пик спроса на медицинскую помощь? Своевременные ответы могут помочь администраторам больниц, общественным лидерам и клиникам решить, как наиболее эффективно распределить персонал и другие ресурсы. К сожалению, многие эпидемиологические модели прогнозирования, как правило, с трудом точно предсказывают количество случаев заболевания и госпитализаций в периоды пика.
Новый подход, описанный в журнале Proceedings of the National Academy of Sciences под руководством исследователей из Техасского университета в Остине, включает в модели прогнозирования важнейший элемент эпидемиологического понимания для решения этих давних проблем. Вместо того чтобы просто экстраполировать тенденции текущей вспышки, этот подход, известный как «эпимодуляция», даёт моделям более интуитивное представление о том, как эпидемии обычно развиваются.
«Он говорит модели: «Мы ожидаем, что кривая будет изгибаться по мере формирования иммунитета», — сказала Лорен Ансель Мейерс, профессор-основатель Кули в Департаменте интегративной биологии Техасского университета и директор epiENGAGE, национального центра передового опыта в области прогнозирования и аналитики вспышек. «В результате получается более точный прогноз, который предоставляет больницам и сообществам информацию в реальном времени, когда это наиболее важно».
Команда протестировала свой подход на широком спектре моделей и на фактических данных прошлых эпидемий гриппа и COVID-19. Они обнаружили, что подход повысил точность моделей на 55% в периоды пика прогнозирования госпитализации без снижения точности в периоды непиковой нагрузки. Эпимодуляция также улучшила точность ансамблевых моделей, которые объединяют несколько моделей в один прогноз.
По словам Мейерс, этот подход может быть применён ко многим инфекционным заболеваниям, которые распространяются волнами, включая птичий грипп, лихорадку Эбола, оспу обезьян и даже новые патогены, которые ещё не появились. Такие волновые закономерности часто возникают, когда в популяции формируется иммунитет, когда люди меняют своё поведение или когда меняются условия окружающей среды.
«Эпидемии имеют тенденцию следовать узнаваемым моделям. Они очень быстро растут сначала, затем замедляются по мере того, как всё больше людей становятся иммунными или меняют своё поведение, в конечном итоге достигая пика и угасая», — сказала Мейерс. «Эта динамика отражает основные эпидемиологические принципы — как распространяются инфекции, как формируется иммунитет и как люди реагируют, когда риск возрастает».
Большинство моделей прогнозирования, особенно основанные исключительно на машинном обучении, не «знают» ни одного из этих эпидемиологических принципов. Они по существу смотрят на недавние данные и проецируют тенденцию вперёд, как продолжение линии на графике. Они часто работают хорошо, пока количество случаев растёт (или падает), но упускают поворотный момент, когда рост замедляется или меняется. Эпимодуляция может помочь сделать прогнозирование пика более реалистичным.
Предоставлено:
Университет Техаса в Остине