Nový přístup k epimodulaci zlepšuje prognózy propuknutí

Během epidemie je nejtěžší odpovědět na některé z nejkritičtějších otázek pro osoby s rozhodovací pravomocí v oblasti zdravotní péče: Kdy epidemie vyvrcholí, kolik lidí bude potřebovat léčbu najednou a jak dlouho bude vrcholná úroveň poptávky po péči trvat? Včasné odpovědi mohou pomoci správcům nemocnic, komunitním vůdcům a klinikám rozhodnout se, jak co nejefektivněji rozmístit personál a další zdroje. Bohužel, mnoho modelů epidemiologických předpovědí má tendenci zápasit s přesným předpovídáním případů a hospitalizací kolem špiček.

Nový přístup popsaný v časopise Proceedings of the National Academy of Sciences a vedená výzkumnými pracovníky z University of Texas v Austinu, zabudovává kritický kus epidemiologického porozumění do předpovědních modelů k řešení těchto dlouhodobých problémů. Spíše než jednoduše extrapolovat trendy ze současného propuknutí, přístup známý jako „epimodulace“ dává modelům intuitivnější představu o tom, jak se epidemie obecně vyvíjejí.

Ve skutečnosti to modelu říká: „Očekáváme, že se křivka bude ohýbat, jak se bude zvyšovat imunita“, takže model může hledat první známky tohoto zpomalení a přitom se stále učit z dat. Výsledkem je lepší předpověď, která nemocnicím a komunitám poskytuje přehled v reálném čase, když je to nejdůležitější.“

Lauren Ancel Meyers, Cooley Centennial Professor na katedře integrativní biologie UT a ředitel epiENGAGE

Tým testoval svůj přístup na široké škále modelů a na skutečných datech z minulých epidemií chřipky a COVID-19. Zjistili, že tento přístup zvýšil přesnost modelu až o 55 % během epidemických špiček pro prognózy přijetí do nemocnice, aniž by se snížila přesnost v časech mimo špičku. Epimodulace také zlepšila přesnost souborových modelů, které kombinují více modelů do jedné prognózy. Výsledky naznačují, že to může být výkonný nový nástroj pro systémy zdravotní péče, aby se přizpůsobily rychle se vyvíjejícím epidemiím.

Financování tohoto výzkumu poskytla americká centra pro kontrolu a prevenci nemocí, Rada pro státní a teritoriální epidemiology a Tito’s Handmade Vodka.

Podle Meyerse by tento přístup mohl být aplikován na mnoho infekčních chorob, které se šíří ve vlnách, včetně ptačí chřipky, eboly, Mpox a dokonce i nových patogenů, které se teprve objevily. Takové vlnové vzorce často vznikají, když se v populaci buduje imunita, jak lidé mění své chování nebo jak se mění podmínky prostředí.

„Epidemie mají tendenci sledovat rozpoznatelné vzorce. Zpočátku rostou velmi rychle, pak se zpomalují, jak se více lidí stává imunními nebo mění své chování, nakonec vyvrcholí a odezní,“ řekl Meyers. „Tato dynamika odráží základní epidemiologické principy – jak se šíří infekce, jak se buduje imunita a jak lidé reagují, když se riziko zvyšuje.“

Většina prognostických modelů, zejména těch, které jsou založeny čistě na strojovém učení, „nezná“ žádný z těchto epidemiologických principů. V podstatě se dívají na nedávná data a promítají trend dopředu, jako je prodloužení čáry na grafu. Často fungují dobře, když případy rostou (nebo klesají), ale míjejí bod obratu, když se růst zpomaluje nebo obrátí. Epimodulace může pomoci učinit prognózy kolem vrcholu realističtější.

Dalšími autory UT článku jsou Emily Javan, Susan Ptak a Oluwasegun Ibrahim. Dalšími autory jsou Graham Gibson z Los Alamos National Laboratory, Spencer Fox z University of Georgia a Michael Lachmann z Santa Fe Institute a Arizona State University.