پیش‌بینی هفتگی موارد تب دنگو با مدل‌های هیبرید موجک-سارما-ال‌اس‌تی‌ام: مطالعه زمان‌سنجی در کوئزون‌سیتی، فیلیپین

خلاصه سریع برای خواننده

• یک مطالعه زمان‌نوسانی اکولوژیک در کوئزون‌سیتی (فیلیپین) با داده‌های هفتگیِ ۲۰۱۲–۲۰۲۲ انجام شد تا روش‌های پیش‌بینی موارد تب دنگو ارزیابی شوند.
• محققان یک رویکرد هیبریدی شامل تبدیل موجک گسسته (DWT)، مدل SARMA و شبکه حافظه طولانی کوتاه‌مدت (LSTM) را ساختند و آن را با نسخه بدون LSTM مقایسه کردند.
• مدل DWT-SARMA-LSTM دقت بالاتری داشت (MAPE = ۱۲.۴%) در برابر DWT-SARMA (MAPE = ۲۵.۸%) و توانست اوج‌ها و فرودهای موارد را بهتر بگیرد.
• آستانه‌های اپیدمی تولیدشده توسط مدل‌ها پویا و حساس‌تر بودند و نسبت به آستانه میانگین متحرک سه‌ساله که تحت‌تأثیر داده‌های قبل از پاندمی قرار گرفته بود، واکنش‌پذیری بیشتری نشان دادند.
• این رویکرد می‌تواند به عنوان پایه‌ای برای سیستم هشدار زودهنگام و برنامه‌ریزی منابع در محیط‌های بهداشت عمومی پویا به‌ویژه در منابع محدود مفید باشد، ولی نیاز به اعتبارسنجی و پیاده‌سازی عملی دارد.

مقدمه

تب دنگو یک بیماری ویروسی منتقِل از پشه‌های آئدس است که در مناطق گرمسیری و نیمه‌گرمسیری شایع است. نوسان فصلی، تغییرات میان‌فصلی و وقایع ناگهانی (مثلاً اپیدمی‌های محلی) پیش‌بینی موارد را دشوار می‌کنند. سامانه‌های پایش سنتی معمولاً بر مبنای میانگین‌های تاریخی یا قواعد ساده برای تعیین آستانه‌های هشدار کار می‌کنند؛ اما این روش‌ها می‌توانند به شدت توسط مقادیر پرت یا تغییرات ساختاری در داده‌ها تحت‌تأثیر قرار گیرند و در نتیجه دیرتر به تغییرات اپیدمیولوژیک پاسخ دهند.

در این مطالعه که در مجله PLOS Neglected Tropical Diseases منتشر شده است، پژوهشگران رویکردی ترکیبی توسعه دادند که از تبدیل موجک گسسته (DWT) برای شکستن سیگنال زمانی به مؤلفه‌های ساده‌تر، مدل‌های سری زمانی (SARMA) برای ثبت الگوهای فصلی و خودهمبستگی، و شبکه‌های عصبی حافظه‌دار (LSTM) برای مدل‌سازی باقیمانده‌های غیرخطی استفاده می‌کند. هدف اصلی، بهبود پیش‌بینی هفتگی موارد دنگو و ارزیابی توانایی این مدل در تعیین آستانه‌های هشدار پویا در کوئزون‌سیتی، شهری با بار بیماری قابل‌توجه در فیلیپین بود.

روش‌شناسی مطالعه

طراحی و داده‌ها

این مطالعه از نوع اکولوژیک زمان‌سنجی بود و از داده‌های هفتگی ثبت‌شدهٔ موارد تب دنگو در کوئزون‌سیتی بین سال‌های ۲۰۱۲ تا ۲۰۲۲ استفاده کرد. چنین داده‌هایی معمولاً شامل موارد تاییدشده بر اساس تشخیص بالینی و آزمایشگاهی است که توسط نظام مراقبت بهداشتی گزارش می‌شوند.

رویکرد مدل‌سازی

گام‌های اصلی تحلیل عبارت بودند از:

• استفاده از DWT برای تجزیهٔ سری زمانی به مؤلفه‌های تقریب (low-frequency) و جزئیات (high-frequency)؛ این کار کمک می‌کند تا الگوهای بلندمدت و نویزهای ناگهانی از هم جدا شوند.
• مدلسازی هر مؤلفه با SARMA (مدل‌های خودرگرسیو نامی و میانگین متحرک فصلی) برای ثبت رفتار خطی و فصلی در داده‌ها.
• بهبود مدل DWT-SARMA با کاربرد LSTM روی باقیمانده‌ها (رسیدوال‌ها) تا الگوهای غیرخطی و پیچیدهٔ باقی‌مانده را ضبط کنند و بدین ترتیب یک مدل هیبرید DWT-SARMA-LSTM حاصل شود.
• ارزیابی عملکرد مدل‌ها با شاخص‌هایی مانند MAPE (درصد خطای میانگین مطلق) و بررسی توانایی مدل‌ها در پیش‌بینی اوج‌ها/افت‌ها تا افق‌های مختلف (گزارش شده تا ۱۷ هفته).
• مقایسهٔ آستانه‌های مبتنی بر مدل با آستانهٔ رایج میانگین متحرک سه‌ساله که در سیستم استاندارد محلی استفاده می‌شد.

یافته‌های اصلی

نتایج نشان داد که مدل هیبریدی DWT-SARMA-LSTM عملکرد بالاتر و پایدارتری نسبت به DWT-SARMA ارائه کرد. به‌طور خلاصه:

• MAPE برای DWT-SARMA-LSTM برابر با ۱۲.۴% بود، که نشان‌دهندهٔ دقت نسبی خوب در پیش‌بینی تعداد هفتگی موارد است.
• MAPE برای DWT-SARMA برابر با ۲۵.۸% گزارش شد که نشان‌دهندهٔ خطای بسیار بالاتر و توانایی کمتر در گرفتن الگوهای غیرخطی یا جهش‌های ناگهانی است.
• مدلِ کامل توانست پیک‌های اپیدمی و نقاط کف را بهتر شبیه‌سازی کند و به‌ویژه در دوره‌هایی که الگوها از تغییرات ناگهانی یا تغییرات پس از پاندمی تأثیر می‌پذیرفتند، حساس‌تر بود.
• آستانه‌های استنباط‌شده از مدل‌ها نسبت به آستانهٔ میانگین متحرک سه‌ساله پویا‌تر و کمتر تحت‌تأثیر مقادیر پرت و داده‌های پیش از پاندمی قرار گرفته بودند، به‌طوری که می‌توانستند هشدارهای زودهنگام‌تری ارائه دهند.

تفسیر نتایج

پایانی که از این تحلیل می‌توان گرفت این است که ترکیب روش‌های تجزیه موجک، مدل‌سازی فصلی-خطی و یادگیری عمیق برای باقیمانده‌ها می‌تواند توانایی پیش‌بینی را افزایش دهد. DWT با تفکیک فرکانس‌ها کمک می‌کند تا مدل‌های سری زمانی خطی بهتر کار کنند و LSTM نقاط ضعف مدل‌های خطی را در ثبت الگوهای پیچیده و غیرخطی جبران می‌کند.

از منظر کاربردی، مدل دقیق‌تر می‌تواند برای تعیین آستانه‌های هشدار پویا مورد استفاده قرار گیرد که به نوبه خود می‌تواند برنامه‌ریزی منابع نظیر آماده‌سازی بیمارستان‌ها، ذخیره‌سازی دارو و اطلاع‌رسانی عمومی را بهتر هدایت کند. با این حال، این نتایج محدود به داده‌ها و زمینهٔ مورد آزمون (کوئزون‌سیتی) است و اجرای عملی در سایر مناطق نیازمند آزمون و بومی‌سازی است.

این یافته برای بیمار چه معنایی دارد؟

برای افراد ساکن در مناطق دارای بروز دنگو یا کسانی که به این مناطق سفر می‌کنند، این مطالعه به‌طور مستقیم بدان معناست که ممکن است در آینده سامانه‌های هشدار و اطلاع‌رسانی محلی نسبت به قبل سریع‌تر و دقیق‌تر عمل کنند. این افزایش دقت ممکن است به کاهش مواجهات از طریق اقدامات پیشگیرانهٔ جمعی (مثل کنترل پشه، کاهش آب‌های راکد و اطلاع‌رسانی عمومی) کمک کند.

با این حال، برای بیماران فردی، این مدل‌ها جایگزین تشخیص یا درمان پزشکی نیستند؛ آن‌ها ابزارهای عمومی برای برنامه‌ریزی بهداشتی و مدیریت منابع هستند. اگر علائم تب، درد عضلانی، سردرد یا علائم هشداردهندهٔ دنگو دارید، باید با ارائه‌دهندهٔ خدمات بهداشتی مشورت کنید (بخش «چه زمانی باید با پزشک مشورت کرد؟» را ببینید).

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: این مطالعه یک تحقیق اکولوژیک-زمانی است؛ بنابراین نتایج به سطح گروه/جمعیت (مثلاً شهر) مربوط می‌شود و نباید مستقیماً به سطح فردی تعمیم داده شود (خطر خطای اکولوژیک).
• دقت و کامل بودن داده‌ها: داده‌های گزارش‌شدهٔ موردی ممکن است تحت‌تأثیر کم‌گزارشی، تغییرات در عملکرد سیستم مراقبت بهداشتی یا تغییرات تعریف مورد قرار داشته باشند. چنین مسائلی می‌تواند دقت پیش‌بینی را تحت‌تأثیر قرار دهد.
• تأثیرات خارجی: دورهٔ زمانی شامل سال‌های قبل و بعد از پاندمی COVID-۱۹ بوده است؛ تغییر رفتار مردم، محدودیت‌های حرکت و تغییر در دسترسی به خدمات سلامت می‌تواند توزیع تاریخی موارد را تغییر دهد و میانگین‌های متحرک ساده را تحریف کند.
• پخش‌پذیری (generalizability): مدل و پارامترهای به‌دست‌آمده در کوئزون‌سیتی ممکن است بدون تنظیم و اعتبارسنجی در شهرها یا کشورهای دیگر عملکرد متفاوتی داشته باشند. اقلیم، تراکم جمعیت، گونه‌های پشه، و ساختار نظام گزارش‌دهی می‌توانند تفاوت‌زا باشند.
• پیاده‌سازی عملی: راه‌اندازی چنین مدل‌هایی در سامانهٔ پایش نیازمند تخصص فنی، نگهداری مدل، داده‌های به‌روز و تعبیهٔ عملیاتی است. هزینه و توان فنی در مناطق کم‌منبع ممکن است مانع پیاده‌سازی کامل شود.
• نیاز به اعتبارسنجی پیش‌آینده: مدل در این مطالعه به‌صورت تاریخی ارزیابی شده است؛ اعتبارسنجی پیش‌آینده (prospective) روی داده‌های جاری برای اثبات قابلیت عملی مدل در زمان واقعی لازم است.

نظر تحریریه پزشک سایت

تحلیل ارائه‌شده در این مقاله نشان می‌دهد که تلفیق روش‌های تجزیه فرکانسی و یادگیری عمیق می‌تواند گامی مهم در بهبود پیش‌بینی‌های هفتگی برای بیماری‌هایی مانند تب دنگو باشد. دقت بهتر مدل هیبریدی (MAPE نزدیک به ۱۲%) نویدبخش است، اما پیش از هر گونه ادعای اثربخشی در عمل، لازم است این رویکردها در شرایط عملیاتی، در زمان واقعی و در مناطق جغرافیایی مختلف آزموده شوند.

پیشنهاد ما این است که سیاست‌گذاران به‌عنوان گامی میانی، ابتدا این مدل‌ها را در قالب پروژه‌های پایلوت همراه با ارزیابی اقتصادی و بررسی قابلیت‌پذیری اجرایی به کار گیرند. همچنین شفاف‌سازی در مورد کیفیت داده‌های ورودی و طراحی فرایندهایی برای به‌روزرسانی و نگهداری مدل ضروری است.

کاربردهای عملی و توصیه‌های کلی برای برنامه‌ریزان بهداشتی

• استفاده از پیش‌بینی‌ها برای برنامه‌ریزی منابعِ کوتاه‌مدت (مثلاً افزایش ظرفیت بستری یا ذخیره ملزومات) در افق‌های تا ۱۷ هفته.
• ترکیب آستانهٔ مدل‌محور با معیارهای عملیاتی محلی قبل از صدور هشدار عمومی؛ برای مثال تعیین سطوح هشدار چندمرحله‌ای که با ظرفیت خدمات بهداشتی همسو باشد.
• اجرای پروژه‌های پایلوت و سرمایه‌گذاری در تقویت کیفیت داده‌های گزارش‌دهی برای افزایش اعتماد به خروجی مدل‌ها.
• تربیت تیم‌های فنی محلی برای نگهداری، بازآموزی و نظارت بر عملکرد مدل و بروز کردن آن در مواجهه با تغییرات ساختاری.

چه زمانی باید با پزشک مشورت کرد؟

اگر خود یا بستگان‌تان علائم مشکوک به تب دنگو را دارید، به‌خصوص در مناطقی که دنگو شایع است، با پزشک یا مرکز بهداشت تماس بگیرید. مواردی که فوراً نیازمند ارزیابی پزشکی هستند عبارت‌اند از:

• تب بالا همراه با درد شدید شکم، استفراغ مکرر، خون‌ریزی از لثه یا بینی، یا خواب‌آلودگی و بی‌حالی شدید (علائم هشدار دهندهٔ احتمالی دنگو شدید).
• تب در کودکان خردسال یا افراد مسن که سریعاً بدحال می‌شوند.
• اگر باردار هستید یا سابقه بیماری‌های مزمن قلبی، ریوی یا کبدی دارید و تب یا علائم مشابه را تجربه می‌کنید.
• هر موردی از تب با نوسان شدید یا علائمی که با مراقبت خانگی بهتر نمی‌شود، باید توسط پزشک ارزیابی گردد.

این مقاله به تصمیم‌گیری بالینی فردی راهنمایی مستقیم نمی‌دهد؛ در صورت تردید، مراجعه به ارائه‌دهندهٔ خدمات بهداشتی ضرورت دارد.

پرسش‌های رایج

آیا این مدل می‌تواند به‌صورت «هشدار فوری» برای مردم عادی استفاده شود؟

نه لزوماً؛ این مدل‌ها بیشتر برای پشتیبانی از تصمیم‌گیری برنامه‌ریزان و مدیران بهداشت عمومی طراحی شده‌اند. اطلاع‌رسانی عمومی باید پس از ارزیابی عملیاتی و تطبیق با ظرفیت محلی انجام شود.

آیا می‌توان همین مدل را در شهر یا کشور دیگری بدون تغییر به کار برد؟

احتمالاً خیر. مدل‌ها باید با داده‌های محلی آموزش یا تنظیم شوند؛ عوامل اقلیمی، اپیدمیولوژیک و گزارش‌دهی می‌توانند تفاوت‌زا باشند.

آیا مدل‌های پیچیده مثل LSTM همیشه بهتر از روش‌های کلاسیک هستند؟

خیر. در این مطالعه، ترکیب LSTM با موجک و SARMA مفید بود، اما در برخی مجموعه‌های دادهٔ دیگر هزینهٔ محاسباتی و پیچیدگی ممکن است توجیه‌پذیر نباشد. ارزیابی مورد به مورد لازم است.

آیا آستانه‌های مدل‌محور می‌توانند جایگزین آستانه‌های مرسوم شوند؟

معمولاً پیشنهادی این است که ابتدا به‌عنوان مکمل و در فاز پایلوت استفاده شوند؛ سپس پس از اعتبارسنجی، در تصمیم‌گیری رسمی به کار روند.

این مدل‌ها تا چه اندازه نسبت به داده‌های ناقص مقاوم هستند؟

تجزیه موجک می‌تواند تا حدودی نویز و نوسانات کوتاه‌مدت را جدا کند، اما کم‌گزارشی سیستمیک یا تغییرات ساختاری در داده‌ها عملکرد مدل را کاهش می‌دهد. بهبود کیفیت و کامل بودن داده‌ها همچنان کلیدی است.

بحث نهایی و جمع‌بندی کاربردی

این مطالعه نشان می‌دهد که یک رویکرد هیبریدی شامل DWT، SARMA و LSTM می‌تواند دقت پیش‌بینی هفتگی موارد تب دنگو را به‌طور معنی‌داری افزایش دهد و آستانه‌های هشدار پویاتری نسبت به روش‌های سنتی ارائه کند. دقت گزارش‌شده (MAPE = ۱۲.۴%) برای بسیاری از کاربردهای عملی کافی به نظر می‌رسد، به‌ویژه در برنامه‌ریزی کوتاه‌مدت تا چند ماه.

با این حال، برای کاربرد عملی در حوزهٔ بهداشت عمومی باید نکات زیر در نظر گرفته شوند:

• اجرا به‌صورت پایلوت و اعتبارسنجی پیش‌آینده در محیط عملیاتی.
• تضمین کیفیت داده‌های گزارش‌دهی به‌منظور کاهش خطاهای ناشی از کم‌گزارشی یا تغییر در روال‌های ثبت.
• تطبیق مدل با شرایط محلی در شهرها یا کشورها و بررسی هزینه-فایدهٔ نگهداری مدل.

برای بیماران و عموم، مهم‌ترین پیام این است که سیستم‌های پیش‌بینی بهتر می‌توانند به مدیریت بهتر اپیدمی‌ها کمک کنند، اما تشخیص و درمان فردی همچنان بر عهدهٔ ارائه‌دهندگان سلامت است. اگر علائم مشکوک مشاهده شد، سریعا به مراکز درمانی مراجعه کنید.

منبع

Advancing outbreak detection: Hybridizing machine learning with wavelets for weekly dengue case forecasting. PLOS Neglected Tropical Diseases, 2026. https://doi.org/10.1371/journal.pntd.0014444

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.