Jakie wyzwania niosła pandemia w prognozie hospitalizacji?

Wyobraź sobie, że w czasie pandemii COVID-19 lekarze i szpitale potrzebowali wiedzieć, ilu pacjentów może trafić do szpitala w najbliższych dniach. Niestety, dane o hospitalizacjach zawsze docierały z opóźnieniem – niektóre przypadki były zgłaszane nawet kilka tygodni po tym, jak pacjent trafił do szpitala. To powodowało, że najnowsze dane zawsze wydawały się zaniżone, bo nie obejmowały jeszcze wszystkich przypadków.

Naukowcy z różnych instytucji w Niemczech opracowali specjalne narzędzia matematyczne, które miały rozwiązać ten problem. Te narzędzia, nazywane modelami nowcastingowymi, próbowały przewidzieć, ile naprawdę jest hospitalizacji w danym momencie, zanim wszystkie raporty spłyną do systemu. To trochę jak prognozowanie pogody, ale zamiast przewidywania przyszłości, próbuje się dokładnie oszacować teraźniejszość mimo niepełnych danych.

Jak przeprowadzono badanie prognoz hospitalizacji?

W badaniu, które przeprowadzono na danych z niemieckich szpitali od listopada 2021 do kwietnia 2022 roku, naukowcy porównali osiem różnych modeli prognozujących liczbę hospitalizacji z powodu COVID-19. Każdy model miał swoje zalety i wady – niektóre dawały zbyt wąskie przedziały pewności, inne miały tendencję do niedoszacowania liczby pacjentów. “Zaobserwowaliśmy, że najczęstszym problemem modeli była zbyt mała dyspersja prognoz, czyli zbyt wąskie przedziały przewidywań” – zauważają autorzy badania.

Jakie podejścia zastosowano w modelowaniu?

Naukowcy sprawdzili dwa główne podejścia do poprawy tych prognoz. Pierwsze polegało na post-processingu, czyli wprowadzeniu korekt do istniejących modeli, aby naprawić ich systematyczne błędy. Drugie podejście wykorzystywało modele zespołowe (ensemble), które łączyły prognozy z różnych modeli w jeden wynik.

Badanie koncentrowało się na 7-dniowym wskaźniku hospitalizacji z powodu COVID-19, czyli liczbie nowych przypadków COVID-19 zarejestrowanych przez lokalne władze zdrowotne w ciągu 7 dni, które ostatecznie prowadziły do hospitalizacji. Co ważne, ta definicja oznaczała, że przyjęcie do szpitala nie musiało nastąpić w tym samym 7-dniowym okresie i mogło faktycznie nastąpić znacznie później. To komplikowało zadanie prognozowania, ponieważ opóźnienia w danych były szczególnie wyraźne.

Które modele okazały się najskuteczniejsze?

Naukowcy wykorzystali dane zebrane w Niemieckim Ośrodku Prognoz Nowcastingowych COVID-19, projekcie obejmującym osiem niezależnych zespołów modelowania. Wszystkie modele generowały prawdopodobne prognozy w postaci kwantyli, co pozwalało ocenić nie tylko przewidywaną liczbę hospitalizacji, ale również niepewność związaną z tymi prognozami.

Co ciekawe, najprostsze rozwiązania okazały się najskuteczniejsze. Zwykła średnia lub mediana z wszystkich modeli dawała lepsze wyniki niż skomplikowane metody ważenia, które próbowały przypisać większe znaczenie modelom, które wcześniej sprawdzały się lepiej. Post-processing poprawił dokładność pojedynczych modeli, ale próby zastosowania bardziej złożonych metod ważenia w modelach zespołowych nie przynosiły dodatkowych korzyści. To odkrycie jest zgodne z tzw. “zagadką kombinacji prognoz” znaną z literatury naukowej – często proste, nieważone łączenie prognoz daje lepsze wyniki niż skomplikowane schematy ważenia.

W jaki sposób oceniono dokładność prognoz?

Badacze zastosowali różne metody oceny skuteczności prognoz, w tym ważony wynik interwałowy (WIS), który pozwalał ocenić dokładność prognoz probabilistycznych. Dodatkowo sprawdzali frakcje pokrycia przedziałów, czyli jak często rzeczywiste wartości mieściły się w przewidywanych przedziałach niepewności.

Analiza dotyczyła nie tylko danych na poziomie krajowym, ale także prognoz dla 16 niemieckich landów i 7 grup wiekowych (0-4, 5-14, 15-34, 35-59, 60-79 i 80+ lat). To pozwoliło ocenić, jak dobrze modele radzą sobie z prognozowaniem dla różnych populacji.

Jakie znaczenie mają wyniki badań dla opieki zdrowotnej?

Dla pacjentów i systemu opieki zdrowotnej te wyniki mają praktyczne znaczenie. Dokładniejsze przewidywanie liczby hospitalizacji pozwala lepiej planować zasoby szpitalne, personel medyczny i sprzęt. W czasie pandemii, gdy szpitale działały na granicy wydolności, takie informacje mogły pomóc w podejmowaniu decyzji o wprowadzaniu lub luzowaniu obostrzeń.

Badanie pokazało również, że można ograniczyć liczbę używanych modeli bez znacznej utraty dokładności, co zmniejsza nakład pracy potrzebny do utrzymania systemu prognozowania. Już przy wykorzystaniu zaledwie trzech dobrze dobranych modeli można było osiągnąć wyniki zbliżone do pełnego zespołu ośmiu modeli.

Jakie wyzwania i wnioski płyną z badań?

Autorzy zwracają uwagę na pewne ograniczenia swojego badania. Wszystkie analizy przeprowadzono retrospektywnie, a nie w czasie rzeczywistym, co mogło wprowadzić pewne zniekształcenia wyników. Ponadto okres oceny obejmował tylko około 12 tygodni, co mogło ograniczyć możliwość uogólnienia wyników na dłuższe okresy lub inne fazy pandemii. Dla zwykłych ludzi wnioski z tego badania oznaczają, że władze i służby medyczne mogą lepiej przewidywać obciążenie systemu opieki zdrowotnej, co przekłada się na lepsze przygotowanie na wzrosty zachorowań i, ostatecznie, na lepszą opiekę dla pacjentów.

Podsumowanie

Badanie przeprowadzone w Niemczech analizowało skuteczność ośmiu różnych modeli nowcastingowych w prognozowaniu hospitalizacji związanych z COVID-19. Głównym wyzwaniem było opóźnienie w raportowaniu przypadków, sięgające nawet kilku tygodni. Analiza objęła okres od listopada 2021 do kwietnia 2022 roku, koncentrując się na 7-dniowym wskaźniku hospitalizacji. Najskuteczniejsze okazały się proste rozwiązania, takie jak średnia lub mediana z wszystkich modeli, przewyższając bardziej złożone metody ważenia. Post-processing poprawił dokładność pojedynczych modeli, a wykorzystanie już trzech dobrze dobranych modeli dawało wyniki porównywalne z pełnym zespołem ośmiu modeli. Badanie wykazało, że dokładne przewidywanie liczby hospitalizacji ma kluczowe znaczenie dla efektywnego planowania zasobów szpitalnych i personelu medycznego, co przekłada się na lepszą jakość opieki nad pacjentami.