Ein Algorithmus, der kürzlich entwickelt wurde, könnte öffentlichen Gesundheitsprogrammen helfen, Menschen mit nicht-diagnostizierten Infektionskrankheiten zu lokalisieren und zu behandeln.
Öffentliche Informationskampagnen können der Verbreitung von verheerenden aber behandelbaren Krankheiten wie Tuberkulose, Malaria und Gonorrhö vorbeugen. Doch zu versichern, dass diese Kampagnen effektiv nicht-diagnostizierte Patienten, die unwissend die Krankheit auf andere übertragen, erreichen, ist eine der größten Herausforderungen für finanzschwache Gesundheitsagenturen. Ein Forscherteam der USC Viterbi School of Engineering hat einen Algorithmus erschaffen, der Entscheidungsträgern helfen soll, die Ausbreitung einer Krankheit zu verringern. Der Algorithmus wurde auch optimiert, um das meiste aus begrenzten Ressourcen, wie Werbebudgets, zu holen. Zur Erstellung des Algorithmus benutzten die Forscher Daten, um ein Model der Krankheitsausbreitung zu entwerfen, welches Populationsdynamiken und Kontaktmuster zwischen Menschen erfasst.
Durch Computersimulation testeten die Forscher den Algorithmus in zwei echten Fällen: Tuberkulose in Indien und Gonorrhö in Nordamerika. In beiden Fällen stellten sie fest, dass der Algorithmus die Krankheitsfälle besser reduzieren konnte als aktuelle Gesundheitspolitik durch das Teilen von Informationen über diese Krankheiten mit Menschen, die dem höchsten Risiko ausgesetzt waren. Die Studie wurde auf der AAAI Conference on Artificial Intelligence vorgestellt.
"Unsere Studie zeigt, dass ein ausgereifter Algorithmus die Krankheitsausbreitung insgesamt deutlich reduzieren kann. Wir können einen großen Unterschied machen und sogar Leben retten, indem wir unsere Ressourcen ein bisschen klüger nutzen und Gesundheitsinformationen mit der Öffentlichkeit teilen", sagt Erst-Autor Bryan Wilder.
Der Algorithmus schien auch strategischeren Nutzen aus Ressourcen zu ziehen. Das Team bemerkte, dass es sich stark auf bestimmte Gruppen konzentrierte und nicht einfach Gruppen mit hohem Vorkommen der Krankheit mehr Budget zuwies. Dies scheint anzudeuten, dass der Algorithmus nicht-offensichtliche Muster wirksam einsetzt und sich durch manchmal subtile Interkationen zwischen Variablen, die Menschen nicht genau festlegen können, Vorteile verschafft.
Das mathematische Modell der Forscher berücksichtigt auch, dass Menschen umziehen, altern und sterben und bietet so deutlich realistischere Populationsdynamiken als viele bestehende Algorithmen zur Krankheitskontrolle. "Während es viele Methoden gibt, um Patientenpopulationen für Kampagnen zu Gesundheitsinformationen zu bestimmen, berücksichtigen wenige die Interaktion zwischen sich verändernden Bevölkerungsmustern und Krankheitsdynamiken im Laufe der Zeit", sagt Suen.
Da Übertragungsmuster für Infektionskrankheiten mit dem Alter variieren, nutzte das Forscherteam geschichtete Daten, um die optimale demografische Zielaudienz für öffentliche Gesundheitskommunikationen zu bestimmen. Der Algorithmus könnte außerdem Bevölkerungen durch andere Variablen, wie Geschlecht und Standort, segmentieren. In Zukunft könnten die Einblicke der Studie auch die Gesundheitsfolgen für andere Infektionskrankheiten wie HIV oder Grippe beeinflussen.
Gesammelte Fachinformationen und weitere Studienergebnisse zum Thema Infektionskrankheiten finden Sie im Immunologie Themenspecial.