تُظهر تقنيات التعلم الآلي أن الباحثين يمكنهم تحسين توقعاتهم لانتشار حمى الضنك من خلال دمج بيانات المناخ - ولكن ليس في جميع الحالات
صامويل جارمان، ساينس بود
حمى الضنك مرض ينتقل عن طريق البعوض، يصاب به حوالي 390 مليون شخص سنويًا في جميع أنحاء العالم. ارتفع عدد الحالات بشكل مطرد في السنوات الأخيرة، مع تسجيل أكبر الفاشيات في المناطق الاستوائية في أمريكا الجنوبية. للتنبؤ بانتشار المرض بشكل أفضل، يحتاج الباحثون إلى فهم كيفية ارتباط عدد حالات حمى الضنك بالجوانب المختلفة للمناخ الاستوائي.
في تحليل جديد نُشر في مجلة EPJ Special Topics، يوضح فريق بقيادة إنريكي غابريك من معهد بوتسدام لأبحاث تأثير المناخ كيف يمكن أن تصبح توقعات حمى الضنك أكثر دقة من خلال دمج بيانات المناخ - ولكن أيضًا أن نجاح هذا النهج يمكن أن يختلف من منطقة إلى أخرى. قد تسمح نتائج الفريق للباحثين بتطوير توقعات أكثر دقة لانتشار حمى الضنك، مما قد يساعد في النهاية في إنقاذ آلاف الأرواح.
على الصعيد العالمي، أظهر عدد الأشخاص المصابين بحمى الضنك اتجاهًا مقلقًا في العقدين الماضيين: ارتفع من حوالي 500 ألف حالة في عام 2000 إلى 5.2 مليون في عام 2019. "تم الإبلاغ عن معظم هذه الحالات في البلدان الاستوائية، وخاصة في الأمريكتين الشمالية والجنوبية"، كما يوضح غابريك. "يتم تحديد هذا التفضيل الجغرافي من خلال الظروف البيئية وعوامل المناخ مثل درجة الحرارة والرطوبة وهطول الأمطار، والتي تعتبر حاسمة لدورة حياة البعوض."
في أمريكا الجنوبية، تسارع معدل الإصابة بحمى الضنك بشكل أكبر في العام الماضي: تم الإبلاغ عن أكثر من 670 ألف حالة في الأسابيع الخمسة الأولى من عام 2024. لكي تتمكن تدابير الصحة العامة من إبطاء معدل الإصابة هذا، يحتاج الباحثون إلى تطوير نماذج تنبؤية أكثر دقة تتضمن جميع المتغيرات ذات التأثير القابل للقياس على أعداد الحالات المستقبلية.
لمواجهة هذا التحدي، طبق فريق غابريك تقنية تعلم آلي تعتمد على خوارزميات "الغابات العشوائية". في هذه الطريقة، يتم إنشاء العديد من "أشجار القرار" المختلفة قليلاً: كل منها هو في الأساس مخطط تدفق يقوم بتفسيرات مستقلة للبيانات الجديدة بناءً على بيانات تدريب الخوارزمية.
„لقد اخترنا خوارزمية الغابة العشوائية (Random Forest) نظرًا لقوتها وقدرتها التنبؤية“، تشرح غابريك. „تعتمد على طريقة تعلم جماعية وتتكون من أشجار قرار متعددة، مما يتيح تنبؤات أكثر دقة من النماذج الفردية. علاوة على ذلك، تقوم الخوارزمية بتقييم أهمية متغيرات الإدخال، مما يوفر رؤى قيمة حول العوامل التي تؤثر على التنبؤات.“
لاختبار نهجهم، قام الفريق بتدريب خوارزميتهم باستخدام أعداد حالات حمى الضنك التاريخية من ثلاث مدن مختلفة في البرازيل وبيرو وكولومبيا - جميعها ذات مناخ استوائي. ثم قاموا بالتنبؤ بعدد حالات حمى الضنك قبل أسبوع واحد بناءً على ثلاثة عوامل مختلفة: حالات حمى الضنك الحالية وحدها، وحالات حمى الضنك مع بيانات المناخ (بما في ذلك درجة الحرارة وهطول الأمطار والرطوبة)، وحالات حمى الضنك مع الرطوبة وحدها.
بشكل مفاجئ، قدم كل من هذه العوامل أفضل تنبؤ في إحدى المدن التي درسها الفريق. بشكل عام، تظهر النتيجة أن إدراج المتغيرات المناخية يؤدي إلى نجاح متفاوت في التنبؤ بأعداد الحالات المستقبلية ولا يساهم دائمًا في تحسين التوقعات. ومع ذلك، فإنه يوضح أيضًا أنه من خلال الموازنة الدقيقة لما إذا كانوا سيجمعون أعداد الحالات مع بيانات المناخ، أو بيانات الرطوبة فقط، أو لا شيء منهما، يمكن للباحثين في النهاية تحسين دقة تنبؤاتهم.
„بالإضافة إلى ذلك، نؤكد على أهمية تقنيات التعلم الآلي في الجمع بين البيانات الأرصادية والوبائية لتحسين التنبؤات“، تقول غابريك. „نتوقع أن نتائجنا لديها القدرة على تحسين التنبؤ بحمى الضنك وتوفير رؤى قيمة لتدابير الصحة العامة.“
مرجع
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
