-
Technisches Gebiet
-
Die Erfindung betrifft Verfahren zur Vorhersage der zeitlichen Entwicklung von Krankheitsfällen, insbesondere basierend auf historischen Daten.
-
Technischer Hintergrund
-
Die Vorhersage der zeitlichen Entwicklung von Krankheitsfällen, insbesondere von jahreszeitabhängigen Infektionskrankheiten, wie von Influenza, ist für die Gesundheitsbehörden von besonderem Interesse. Denn so können Kapazitäten von Notaufnahmen oder die Bevorratung von Impfstoffen besser koordiniert oder organisiert werden.
-
Jedoch ist bisher die Vorhersage für Entwicklungen von Krankheitsfällen nur sehr ungenau, da zahlreiche Einflussfaktoren nicht berücksichtigt werden. Insbesondere Grippewellen, die zu unterschiedlichen Zeitpunkten im Jahr ihre schlimmste Ausprägung zeigen, fordern zahlreiche Opfer, so dass der Vorhersage solcher Grippewellen und dem Durchführen geeigneter Maßnahmen zur Eindämmung der Ausbreitung eine besondere Bedeutung zukommt.
-
Aus der Veröffentlichung R. Senanayake et al., „Predicting Spatio-Temporal Propagation of Seasonal Influenza Using Variational Gaussian Process Regression", Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence, 2016, S.3901-3907 ist die Verwendung von Gauß Prozessen zur Prognose der räumlichen und zeitlichen Ausbreitung von Grippefällen bekannt. Allerdings sind die Prognoseunsicherheiten groß und ein praktischer Einsatz damit limitiert.
-
Offenbarung der Erfindung
-
Erfindungsgemäß ist ein Verfahren zur Vorhersage der Verbreitung einer infektiösen Krankheit basierend auf historischen Daten mithilfe eines Regressionsmodells gemäß Anspruch 1 sowie eine entsprechende Vorrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
-
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
-
Gemäß einem ersten Aspekt ist ein Verfahren zur Prognose des Verlaufs einer Krankheitswelle einer infektiösen Krankheit, mit folgenden Schritten:
- - Auswählen eines datenbasierten Prognosemodells, das einem Regressionsmodell entspricht, abhängig von einem vorgegebenen zu prognostizierenden Zeitabschnitt und einer Dauer des zu prognostizierenden Zeitabschnitts;
- - Bestimmen einer prognostizierten Zahl von Krankheitsfällen für den vorgegebenen Zeitabschnitt basierend auf dem Prognosemodell; und
- - Signalisieren der prognostizierten Zahl von Krankheitsfällen.
-
Eine Idee des obigen Verfahrens besteht darin, zur Vorhersage von Entwicklungen einer Epidemie Regressionsmodelle, insbesondere Gauß-Prozess-Modelle, zu verwenden.
-
Bei der Beobachtung von Entwicklungen von Krankheitswellen von Infektionskrankheiten hat sich gezeigt, dass diese einem bestimmten Muster folgen. Dieses Muster hängt häufig von dem Ort oder Region ab, in der die Krankheitswelle auftritt, d.h. je nachdem, ob die Krankheitswelle in einer Metropole, Großstadt oder in ländlichem Gebiet auftritt, entwickelt sie sich unterschiedlich.
-
Darüber hinaus wurde festgestellt, dass sich die Verläufe der Grippewellen, wie auch von anderen Infektionskrankheiten, abhängig vom Zeitpunkt ihres Auftretens unterschiedlich verlaufen. So kann z.B. von einem Ausbreiten einer Grippewelle im November nicht die gleiche Schlussfolgerung in Form von Prognosen gezogen werden wie bei einem Ausbreiten im Februar. Hierbei spielt insbesondere auch der geographische Ort eine Rolle, da Grippewellen verstärkt im Winterhalbjahr auftreten, was z.B. in der südlichen Hemisphäre zeitversetzt auftritt. Aufgrund des Einflusses von Luftfeuchtigkeit, spielt auch die geografische Lage z.B. innerhalb eines Kontinents eine Rolle. Bei der Erstellung von Prädiktionsmodellen muss daher ein entsprechender Zeitraum im Jahr für die Prognose der Verbreitung der Grippefälle berücksichtigt werden.
-
Bei der herkömmlichen Verwendung von trainierbaren datenbasierten Modellen, wie z.B. einem Gauß-Prozess-Modell für die Prognose der Entwicklung einer Krankheitswelle würde somit das Prognosemodell verschlechtert, wenn die Verläufe von Krankheitswellen für unterschiedliche Zeiträume im Jahr gemeinsam für ein Training eines entsprechenden Prognosemodells verwendet würden. Auch das Berücksichtigen eines Zeitparameters, der den Zeitraum des Auftretens der Krankheitswelle charakterisiert, kann nicht vollständig einen Einfluss einer vergangenen Krankheitswelle z. B. im November auf die Prognose für eine Krankheitswelle im Februar ausschließen. Somit sieht das obige Verfahren zur Prognose einer Krankheitswelle vor, für jeden Prognosehorizont und jeden Zeitraum im Jahr ein eigenes Prognosemodell zu trainieren.
-
Somit kann das Prognosemodell abhängig von Daten über Krankheitsfälle für Zeitabschnitte vergangener Jahre, die jeweils identischen Zeiträumen im Jahr entsprechen, und die jeweils dem vorgegebenen zu prognostizierenden Zeitabschnitt vorausgeht, trainiert werden.
-
Das Training des Prognosemodells benutzt also die Daten über die entsprechenden Krankheitswellen der vergangenen Jahre für genau den betreffenden Zeitraum aus den vergangenen Jahren. So kann jedes Prognosemodell entsprechend dem aktuellen Datum, d. h. dem Tag im Jahr oder der Kalenderwoche im Jahr, ausgewählt werden und durch Vorgabe der für einen unmittelbar vorausliegenden Zeitraum erfassten Krankheitsfälle eine Prognose der Zahl der Krankheitsfälle für einen Prognosehorizont, wie beispielsweise einen Tag, eine Kalenderwoche, einen Kalendermonat oder dergleichen, angeben. Durch die Trennung der Prognosemodelle für verschiedene Prognosezielzeiträume kann eine Vermischung der unterschiedlichen Entwicklungen von Krankheitswellen zu verschiedenen Zeiten im Jahr im Prognosemodell vermieden werden.
-
Insgesamt lässt sich dadurch die Vorhersagegenauigkeit verbessern, so dass Maßnahmen zur Behandlung oder Bekämpfung der betreffenden Krankheit genauer geplant werden können. Dies betrifft insbesondere die Kapazitätsplanung für Krankenhäuser, die Bevorratung von Medikamenten und Impfstoffen, das Steuerung von Zugangskontrollen und dergleichen. Insbesondere kann bei der Kapazitätsplanung genauer auf den Bedarf für die Behandlung der Krankheitsfälle abgestellt werden, so dass Überkapazitäten in Krankenhäusern vermieden werden können.
-
Insbesondere ist es möglich, dass die Zugangskontrollen etwa den Zugang zu öffentlichen Verkehrsmitteln wie Bussen oder Bahnen abhängig von den prognostizierten Krankheitszahlen kontrollieren. Dies kann unmittelbar durch eine direkte Limitierung des Zugangs geschehen, oder indirekt, beispielsweise durch eine automatisierte Ansteuerung eines Reservierungsplans. Alternativ oder zusätzlich ist es hier auch möglich, dass automatisiert Hinweisschilder ein- oder ausgeschaltet werden.
-
Auch ist es möglich dass beispielsweise auf tragbaren elektronischen Geräten installierte Programme, die Informationen darüber aufzeichnen, wo sich das tragbaren elektronischen Geräts zu welchem Zeitpunkt befunden hat oder ob es in der Nähe eines zweiten tragbaren elektronischen Geräts war, abhängig von der Vorhersage der betreffenden Krankheit automatisiert aktiviert oder deaktiviert wird. Dadurch lässt sich die Privatsphäre der Träger der tragbaren elektronischen Geräte wesentlich verbessern. Es ist auch möglich, dass die Aktivierung bzw. Deaktivierung indirekt erfolgt, beispielsweise durch abhängig von der Vorhersage der Krankheitszahlen gewählte Anreize zum aktivieren des Programms.
-
Die beschriebenen Maßnahmen können insbesondere abhängig von einer geographischen Verteilung der Vorhersage der Krankheitszahlen gewählt werden. Insbesondere kann vorgesehen sein, dass die Daten über Krankheitsfälle nur zum Trainieren des Prognosemodells verwendet werden, wenn diese eine Krankheitswelle angeben, insbesondere wenn die Zahl der Krankheitsfälle in einem Teil oder jedem der Zeitabschnitte über einem vorgegebenen Schwellenwert liegt.
-
Gemäß einer Ausführungsform kann zusätzlich zum Bestimmen der prognostizierten Zahl von Krankheitsfällen für den vorgegebenen Zeitabschnitt eine Prognoseunsicherheit angegeben werden, die gemeinsam mit der prognostizierten Zahl von Krankheitsfällen signalisiert wird. Mithilfe der Prognoseunsicherheit kann die prognostizierte Zahl von Krankheitsfällen abgesichert werden.
-
Zudem können Prognosen für Zahlen von Krankheitsfällen abgegeben werden, die mit einer vorgegebenen Wahrscheinlichkeit nicht überschritten werden sowie für Zahlen von Krankheitsfällen, die mit einer vorgegebenen Wahrscheinlichkeit überschritten werden.
-
Weiterhin kann das Prognosemodell abhängig von Daten über Krankheitsfälle für Zeitabschnitte vergangener Jahre und abhängig von einer regionalen Eigenschaft ihres Auftretens, insbesondere die Art des Siedlungsgebiets trainiert werden.
-
Figurenliste
-
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
- 1 eine schematische Darstellung eines Vorhersagesystems zur Prognose der Entwicklung von Krankheitswellen; und
- 2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Prognose der Krankheitsfälle in einem nächsten Zeitabschnitt basierend auf Krankheitsfällen in einem zurückliegenden Zeitfenster.
-
Beschreibung von Ausführungsformen
-
1 zeigt eine schematische Darstellung eines Prognosesystems 1 mit einer Recheneinheit 2, der über eine Kommunikationsverbindung 3 ein Zugang zu Statistikdaten zur Verfügung steht. Die Statistikdaten geben über zurückliegende Zeitfenster aufgetretene Verläufe von Krankheitsfällen einer bestimmten Krankheit an. Die Zeitfenster können in Zeitabschnitte unterteilt sein, die beispielsweise als ein Tageszeitraum, als ein Zwei-Tage-Zeitraum, als ein Fünf-Tage-Zeitraum, als ein Wochenzeitraum oder dergleichen definiert sind.
-
Die Statistikdaten geben für mindestens einen dieser Zeitfenster die aufgetretenen Krankheitsfälle in einem bestimmten geographischen Bereich an.
-
Das Prognosesystem 1 sieht für jeden Prognosezeitraum, d.h. jedes zu prognostizierenden Zeitfensters, im Verlauf eines Jahres ein eigenes Prognosemodell vor. Hierbei kann es sich um eine Ein- oder Mehrzahl von Prognosezeiträumen handeln.
-
Die Prognosemodelle können dazu in einer Modellerstellungseinheit 21 erstellt werden. Die Prognosemodelle werden dazu jeweils basierend auf Trainingsdaten trainiert, die entsprechend nachfolgend beschriebener Vorgehensweise ausgewählt werden.
-
So können beispielsweise für Prognosezeiträume, die jeweils einer Kalenderwoche entsprechen, jeweils ein Prognosemodell für jede Kalenderwoche des Jahres erstellt werden. Jedes Prognosemodell wird mit den Daten über Verläufe von Krankheitswellen während eines Berücksichtigungszeitraumes, der einer Dauer einer vorbestimmten Anzahl von vorausliegenden entsprechenden Zeitabschnitten entspricht, beispielsweise für ein Zeitfenster von acht Zeitabschnitten, d. h. für das obige Beispiel von acht Kalenderwochen, durch ein Trainingsverfahren erstellt. Wenn beispielsweise eine Prognose für die Kalenderwoche 12 vorgenommen werden soll, werden dafür die jeweilige Zahl der jeweiligen Krankheitsfälle in den Kalenderwochen 3 bis 11 aus den vorangegangenen Jahren für das Modelltraining verwendet.
-
Alternativ können beispielsweise für Prognosezeiträume, die jeweils einem Kalendertag entsprechen, jeweils ein Prognosemodell für jeden Kalendertag des Jahres erstellt werden. Jedes Prognosemodell wird mit den Daten über Verläufe von Krankheitswellen während eines Berücksichtigungszeitraumes, der einer Dauer einer vorbestimmten Anzahl von vorausliegenden entsprechenden Zeitabschnitten entspricht, beispielsweise für ein Zeitfenster von zwischen 10 und 60 Zeitabschnitten, d. h. für das obige Beispiel von z.B. 30 Kalendertagen, durch ein Trainingsverfahren erstellt. Wenn beispielsweise eine Prognose für den 31 Januar vorgenommen werden soll, werden dafür die jeweilige tägliche Zahl der jeweiligen Krankheitsfälle vom 1. Januar bis zum 30. Januar aus den vorangegangenen Jahren für das Modelltraining verwendet.
-
Das Training kann zum einen basierend auf den Berücksichtigungszeiträumen aller vergangenen Jahre oder nur diejenigen Zeiträume berücksichtigen, in denen eine Krankheitswelle tatsächlich innerhalb des betreffenden Zeitfensters aufgetreten ist. Auch können die Daten über die Krankheitsfälle nach geographischen Besonderheiten gruppiert werden, d. h. Entwicklungen von Krankheitswellen in Kleinstädten, in mittleren Großstädten und in Metropolen separat betrachtet werden. Somit können beispielsweise für 52 Kalenderwochen des Jahres 52 separate Prognosemodelle trainiert werden. Entspricht der Zeitabschnitt einem anderen Zeitraum, wie z.B. einem Zwei-Tages-Zeitraum, so können in entsprechender Weise weitere Prognosemodelle trainiert werden.
-
Die Gruppierung der Daten kann auch aufgrund der Korrelation der Daten ungeachtet deren geografischer Zuordnung erfolgen. So kann ein Korrelationsmaß zwischen verschiedenen Datenreihen für ein bestimmtes Zeitfenster ermittelt werden. Datenreihen, deren Korrelation durch ein Korrelationsmaß über einem vorgegebenen Korrelationsschwellenwert bestimmt ist, können zum Trainieren des Prognosemodells verwendet werden.
-
Das Prognosemodell kann einem datenbasierten Modell entsprechen, das mit historischen Daten trainierbar ist. Die Prognosemodelle können beispielsweise Regressionsmodelle oder neuronale Netze sein, die geeignet sind, einen Verlauf von Krankheitsfällen in einen oder mehrere künftige Zeitabschnitte zu extrapolieren. Ein solches Prognosemodell kann beispielsweise ein Regressionsmodell in Form eines Gauß-Prozess-Modells sein. Gauß-Prozess-Modelle sind universelle nichtparametrische Funktionsapproximatoren und haben den Vorteil, dass neben einer Prognose einer Zahl von Krankheitsfällen für einen sich an einen Berücksichtigungszeitraum anschließenden Zeitabschnitt auch eine Unsicherheitsgröße angegeben werden kann, die die Zuverlässigkeit der Zahl der Krankheitsfälle angibt. Dies ist ein Ergebnis der Struktur von Gauß-Prozess-Modelle.
-
Die örtliche Nähe zwischen geografischen Bereichen kann bei der Interpretation der prognostizierten Zahl von Krankheitsfällen genutzt werden. So kann ein Anstieg der prognostizierten Zahl von Krankheitsfällen in einem geografischen Bereich wahrscheinlicher sein, wenn in benachbarten geografischen Bereichen die prognostizierte Zahl von Krankheitsfällen ebenfalls angestiegen ist. Diese Korrelation kann zur Präzisierung der Vorhersage (z.B. in Form einer Korrektur der Unsicherheitsgröße (Konfidenzintervall)) verwendet werden.
-
Die Recheneinheit 2 ist ausgebildet, die prognostizierte Zahl von Krankheitsfällen und den Unsicherheitswert zu signalisieren.
-
In einer Signalisierungseinrichtung 4 kann bei Vorgabe einer Vorhersagewahrscheinlichkeit, basierend auf den prognostizierten Krankheitsfällen und basierend auf einer Schwellenzahl von Krankheitsfällen eine Alarmmeldung ausgegeben werden.
-
Die Signalisierungseinrichtung 4 kann vorsehen, eine Gefährdung durch eine Krankheitsinfektion anzuzeigen, wenn die Zahl der prognostizierten Krankheitsfälle einen Schwellenwert übersteigt. Auch kann der Schwellenwert so vorgegeben werden, dass eine Gefährdung durch eine Krankheitsinfektion angezeigt wird, wenn ein unterer Grenzwert eines Bereichs prognostizierter Krankheitsfälle, in dem die tatsächliche Zahl prognostizierter Krankheitsfälle mit einer vorgegebenen Wahrscheinlichkeit, z.B. mit über 80%, liegt, den Schwellenwert übersteigt. Auch können mehrere Schwellenwerte vorgegeben werden, um eine geringe, mittlere oder hohe Gefährdung durch eine Infektion anzuzeigen.
-
Die Signalisierungseinrichtung 4 kann vorsehen, automatisch Vorbeugemaßnahmen zu ergreifen, um bei hoher Gefährdung die Zahl der persönlichen Begegnungen zwischen Personen zu reduzieren. So können innerhalb eines Unternehmens bei hoher Gefährdung die Terminvereinbarungen automatisch zu Online-Konferenzen, wie z.B. über Skype, geändert werden. Dazu kann durch Zugriff auf die persönlichen Terminkalender die Signalisierungseinrichtung 4 automatisch die entsprechenden Termine ändern. Auch können auf diese Weise Home-Office-Tage verschoben und in Zeiten hoher Gefährdung ein höherer Anteil von Home-Office-Tagen zugelassen werden.
-
Auch können abhängig von dem Prognoseergebnis automatische Zugangsbeschränkungen zu Gebäudeteilen oder eine Dosierung von Desinfektionsmittel in Hygienebereichen vorgesehen werden.
-
In Verbindung mit dem Flussdiagramm der 2 wird das Verfahren zur Prognose einer Entwicklung des Verlaufs einer Krankheitswelle einer infektiösen Krankheit näher erläutert.
-
In Schritt S1 wird als ein Prognosewunsch ein künftiger Zeitabschnitt z.B. als eine Benutzereingabe oder als sonstiger Vorgabewert bereitgestellt, der sich an den aktuellen Zeitpunkt oder an das Ende des Zeitabschnitts, für den die letzten aktuellen Zahlen über Krankheitsfälle vorliegen, anschließt und eine bestimmte geografische Region betrifft. Die Angabe über den Zeitabschnitt betrifft die zeitliche Dauer, für die die Zahl der prognostizierten Krankheitsfälle bestimmt werden soll.
-
In Schritt S2 werden die zu einem vorbestimmten Zeitfenster unmittelbar vor dem aktuellen Zeitpunkt liegenden Daten über Krankheitsfälle in dem betreffenden geografischen Gebiet abgerufen. Das Zeitfenster kann insbesondere als eine Zeitdauer bestimmt sein, die von dem Zeitabschnitt des Prognosewunsches abhängt und insbesondere ein vorgegebenes Vielfaches des Zeitabschnitts beträgt.
-
In Schritt S3 wird für das in Schritt S2 ermittelte Zeitfenster die Daten über Krankheitsfälle aus den vorangegangenen Jahren (soweit verfügbar) von einer Datenbank (z.B. der Influenza-Datenbank des US Center for Disease Control and Prevention (CDC)) abgerufen. Ferner wird von dem durch den Prognosewunsch angegebenen Zeitabschnitt die Daten über die Krankheitsfälle als Zielgrößen des zu trainierenden Prognosemodells abgerufen.
-
In Schritt S3 können weiterhin Daten über Krankheitsfälle für Zeitfenster vergangener Jahre berücksichtigt werden, wenn diese mit einem Korrelationsmaß korrelieren, das über einem Korrelationsschwellenwert liegt. Dies können auch Zeitfenster sein, die nicht dem in Schritt S2 vorbestimmten Zeitfenster entsprechen.
-
In Schritt S4 wird das datenbasierte Prognosemodell, dass z.B. als ein Gauß-Prozess-Modell ausgebildet ist, mit den in Schritt S3 abgerufenen Daten trainiert. Dieser Schritt kann entfallen sofern das Prognosemodell bereits vorliegt.
-
In Schritt S5 können basierend auf den in Schritt S2 abgerufenen Daten über den Verlauf der aktuellen Krankheitswelle in dem dem Zeitabschnitt vorausliegenden Zeitfenster und dem gelernten bzw. bereitgestellten Prognosemodell Vorhersagen über die Zahl der prognostizierten Krankheitsfälle für den kommenden Zeitabschnitt ermittelt werden.
-
Ferner wird in Schritt S6 auch eine Angabe über eine Prognoseunsicherheit bestimmt. Dies ist ein Vorteil bei der Verwendung von Gauß-Prozessmodellen, da die Prognoseunsicherheit es ermöglicht, dass Überschreiten einer Schwellenanzahl von Krankheitsfällen mit einer bestimmten Vorhersagewahrscheinlichkeit zu bestimmen.
-
Die ermittelte Prognoseunsicherheit kann prognostizierte Zahl von Krankheitsfällen durch gemeinsame Vorhersage mit entsprechenden prognostizierten Zahlen von Krankheitsfällen benachbarter geografischer Bereiche präzisiert werden. Dies kann beispielsweise dadurch erfolgen, dass die Prognoseunsicherheit mit einem Gewichtungsfaktor beaufschlagt wird, der sich aus den Krankheitsfällen für den zu prognostizierenden Zeitabschnitt eines oder mehrerer der benachbarten geografischen Bereiche ergibt. Insbesondere kann der Gewichtungsfaktor von einem Unterschied zwischen den in Schritt S3 prognostizierten Krankheitsfällen und den prognostizierten Krankheitsfällen für den einen oder die mehreren benachbarten geografischen Bereiche ergibt.
-
In Schritt S7 wird das Prognoseergebnis abhängig von der prognostizierten Zahl der Krankheitsfälle und der Prognoseunsicherheit signalisiert.
-
Das Prognoseergebnis entspricht der Zahl der Krankheitsfälle in dem prognostizierten Zeitfenster, die in geeigneter Weise signalisiert wird. Weiterhin kann die Zahl der Krankheitsfälle durch einen Schwellwertvergleich in unkritisch, kritisch und sehr kritisch klassifiziert werden und durch entsprechende Maßnahmen in geeigneter Weise der Öffentlichkeit signalisiert werden, insbesondere von Lichtsignalen oder akustischen Signalen. Ferner können die prognostizierten Zahlen der Krankheitsfälle auch für die Kapazitätsplanung von Krankenhäusern und die Herstellung und Bevorratung von Medikamenten berücksichtigt werden.
-
Mithilfe einer Prognoseunsicherheit, die bei Gaußprozess-Modellen neben dem Erwartungswert ermittelt werden kann, kann die prognostizierte Zahl von Krankheitsfällen abgesichert bzw. präzisiert werden. Insbesondere kann die Prognoseunsicherheit dazu verwendet werden, Intervalle anzugeben, in denen die Zahl der Krankheitsfälle mit mindestens einer bestimmten Wahrscheinlichkeit liegt.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- R. Senanayake et al., „Predicting Spatio-Temporal Propagation of Seasonal Influenza Using Variational Gaussian Process Regression“, Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence, 2016 [0004]
