Diese Studie hatte zum Ziel, Vorhersagemodelle für das Auftreten der TB/HIV-Koinfektion zu erkunden, um den epidemischen Trend der Fälle aus vergangener, gegenwärtiger und zukünftiger Sicht zu schätzen und damit eine Referenz für Prävention und Kontrolle für öffentliche Politikagenturen bereitzustellen. Dafür wurde eine Analyse von TB/HIV-Meldedaten von 2012 bis 2023 im Bundesstaat Mato Grosso, Brasilien, durchgeführt. Die monatliche Inzidenzrate für die gemeldeten Fälle in diesem Zeitraum wurde berechnet, und der zeitliche Trend dieser Daten wurde bewertet, stratifiziert nach männlichen, weiblichen und Gesamtbevölkerung. Es wird gezeigt, dass TB/HIV-Fälle in Mato Grosso im Vergleich zu anderen Regionen des Landes signifikant relevant sind.
Die epidemiologische Untersuchung betont die Notwendigkeit besonderer Aufmerksamkeit für männliche Personen, insbesondere in Regionen mit ausgedehnten ländlichen Gebieten, wie dem Bundesstaat Mato Grosso. Es wird hervorgehoben, dass bestehende Strategien und Interventionen nicht ausreichen, um die Inzidenz dieser Erkrankungen zu verringern. Die Jahreszeiten verdeutlichen die besonderen Herausforderungen bei der Kontrolle der TB/HIV-Koinfektion wie Stigmatisierung, Schwierigkeiten beim Zugang zur und Einhaltung der Behandlung und die Notwendigkeit integrierter Gesundheitsansätze.
Die Untersuchung zeigt, dass tiefe Lernmodelle, insbesondere Bidirectional LSTM und das kundenspezifische CNN + LSTM-Modell, überlegen sind, diese stratifizierten Datensätze vorherzusagen, was auf niedrigere Fehlermetriken hinweist. Ältere statistische Vorhersagemodelle waren relativ erfolgreich, hatten jedoch Schwierigkeiten, nichtlineare Beziehungen in einer Zeitreihe zu extrahieren. Die tiefen Lernmodelle haben eine bemerkenswerte Fähigkeit, allgemein zu generalisieren, und sind in der Lage, komplexe Muster in den Daten zu erfassen.
Die auf den Zeitreihen basierenden Ergebnisse und die Vorhersage des zukünftigen Verhaltens der TB/HIV-Koinfektion deuten darauf hin, dass das Erreichen der für 2030 von den UN-SDGs und der End TB Strategy vorgeschlagenen Ziele in Mato Grosso zunehmend unwahrscheinlich erscheint. Die epidemiologische Projektion der Studie zeigt, dass die Inzidenz von TB/HIV nicht reduziert wird, es sei denn, entscheidende Maßnahmen werden von politischen Entscheidungsträgern und Gesundheitsfachleuten ergriffen.
Die Studie hebt sich auch durch ihre Verwendung einer breiten Palette von Vorhersagemodellen, einschließlich Deep-Learning-Ansätzen wie Bidirectional LSTM und CNN + LSTM, hervor, was ihre Stärke bei der Anwendung modernster Datenanalysetechniken zur Bewältigung komplexer epidemiologischer Herausforderungen zeigt. Allerdings hat die Studie auch Einschränkungen, wie die Genauigkeit des verwendeten Datensatzes, die durch unvollständige Aufzeichnungen oder Unterberichterstattung von TB/HIV-Fällen beeinträchtigt sein könnte. Trotz dieser möglichen Probleme bieten strategische Ansätze, wie eine verbesserte Datensammlung und robusteren Validierungs- und Reinigungstechniken, Möglichkeiten, die Datenqualität zu verbessern.
Die Einbeziehung von mehrdimensionalen Faktoren könnte zu einem besseren Verständnis der Treiber hinter den Trends der TB/HIV-Koinfektion führen und die Vorhersagegenauigkeit der Modelle verbessern. Tiefe Lernmodelle sind sensitiv für ihre Konfiguration, und suboptimale Einstellungen können die Leistung beeinträchtigen. Darüber hinaus erfordern diese Modelle beträchtliche Rechenressourcen und Zeit für das Training. Externe Bedingungen könnten die Vorhersagegenauigkeit der Modelle beeinträchtigen.