Techniken des maschinellen Lernens zeigen, dass Forscher ihre Prognosen für die Ausbreitung von Dengue-Fieber durch Einbeziehung von Klimadaten verbessern können – aber nicht in allen Fällen
Samuel Jarman, SciencePOD
Dengue ist eine durch Mücken übertragene Krankheit, mit der sich jedes Jahr weltweit rund 390 Millionen Menschen infizieren. Die Fallzahlen sind in den letzten Jahren stetig gestiegen, wobei die schwersten Ausbrüche in den tropischen Regionen Südamerikas zu verzeichnen sind. Um die Ausbreitung der Krankheit besser vorhersagen zu können, müssen die Forscher unbedingt verstehen, wie die Zahl der Dengue-Fälle mit den verschiedenen Aspekten des tropischen Klimas zusammenhängt.
In einer neuen Analyse, die in EPJ Special Topics veröffentlicht wurde, zeigt ein Team unter der Leitung von Enrique Gabrick vom Potsdam-Institut für Klimafolgenforschung, wie Dengue-Prognosen durch die Einbeziehung von Klimadaten genauer werden können – aber auch, dass der Erfolg dieses Ansatzes von Region zu Region unterschiedlich sein kann. Die Ergebnisse des Teams könnten es Forschern ermöglichen, genauere Vorhersagen für die Ausbreitung von Dengue zu entwickeln, was letztlich dazu beitragen könnte, Tausende von Menschenleben zu retten.
Global gesehen hat die Zahl der mit Dengue infizierten Menschen in den letzten 20 Jahren einen besorgniserregenden Trend gezeigt: Sie stieg von rund 500.000 Fällen im Jahr 2000 auf 5,2 Millionen im Jahr 2019. „Die meisten dieser Fälle wurden in tropischen Ländern, insbesondere in Nord- und Südamerika, gemeldet“, erklärt Gabrick. „Diese geografische Präferenz wird durch Umweltbedingungen und Klimafaktoren wie Temperatur, Luftfeuchtigkeit und Niederschlag bestimmt, die für die Lebenszyklen der Mücken entscheidend sind.“
In Südamerika hat sich die Zahl der Dengue-Infektionen im vergangenen Jahr noch weiter beschleunigt: In den ersten fünf Wochen des Jahres 2024 wurden über 670.000 Fälle gemeldet. Damit Maßnahmen des öffentlichen Gesundheitswesens diese Infektionsrate verlangsamen können, müssen die Forscher unbedingt genauere Vorhersagemodelle entwickeln, die alle Variablen mit messbarem Einfluss auf künftige Fallzahlen einbeziehen.
Um diese Herausforderung zu bewältigen, wandte das Team von Gabrick eine Technik des maschinellen Lernens an, die auf „Random Forest“-Algorithmen basiert. Bei dieser Methode werden viele, leicht unterschiedliche „Entscheidungsbäume“ erstellt: jeder ist im Wesentlichen ein Flussdiagramm, das auf der Grundlage der Trainingsdaten des Algorithmus unabhängige Interpretationen neuer Daten vornimmt.
„Wir haben den Random-Forest-Algorithmus aufgrund seiner Robustheit und Vorhersagefähigkeit gewählt“, erklärt Gabrick. „Er basiert auf einer Ensemble-Lernmethode und besteht aus mehreren Entscheidungsbäumen, die genauere Vorhersagen ermöglichen als einzelne Modelle. Darüber hinaus bewertet der Algorithmus die Bedeutung von Eingabevariablen und liefert so wertvolle Einblicke in die Faktoren, die die Vorhersagen beeinflussen.“
Um ihren Ansatz zu testen, trainierte das Team seinen Algorithmus anhand historischer Dengue-Fallzahlen aus drei verschiedenen Städten in Brasilien, Peru und Kolumbien – alle mit tropischem Klima. Anschließend prognostizierten sie die Zahl der Dengue-Fälle eine Woche im Voraus auf der Grundlage von drei verschiedenen Faktoren: aktuelle Dengue-Fälle allein, Dengue-Fälle in Kombination mit Klimadaten (einschließlich Temperatur, Niederschlag und Luftfeuchtigkeit) und Dengue-Fälle in Kombination mit der Luftfeuchtigkeit allein.
Überraschenderweise lieferte jede dieser Faktoren die beste Vorhersage in einer der vom Team untersuchten Städte. Insgesamt zeigt das Ergebnis, dass die Einbeziehung von Klimavariablen zu einem gemischten Erfolg bei der Vorhersage künftiger Fallzahlen führt und nicht immer zu einer Verbesserung der Prognosen beiträgt. Es zeigt aber auch, dass die Forscher durch eine sorgfältige Abwägung, ob sie die Fallzahlen mit Klimadaten, nur mit Feuchtigkeitsdaten oder mit keinem von beiden kombinieren, letztlich die Genauigkeit ihrer Vorhersagen verbessern können.
„Außerdem unterstreichen wir die Bedeutung maschineller Lernverfahren bei der Kombination meteorologischer und epidemiologischer Daten zur Verbesserung der Vorhersagen“, sagt Gabrick. „Wir gehen davon aus, dass unsere Ergebnisse das Potenzial haben, die Dengue-Vorhersage zu verbessern und wertvolle Erkenntnisse für Maßnahmen im Bereich der öffentlichen Gesundheit zu liefern.“
Reference
S T da Silva, E C Gabrick, P R Protachevicz, K C Iarosz, I L Caldas, A M Batista, J Kurths, When climate variables improve the dengue forecasting: a machine learning approach, Eur. Phys. J. ST, (2024), https://doi.org/10.1140/epjs/s11734-024-01201-7
