Машинное обучение и ARIMA для адаптивного прогнозирования в здравоохранении

Прогнозирование в общественном здравоохранении — сложная задача, требующая баланса между чувствительностью к новым трендам и устойчивостью к шумам, артефактам отчетности и временным всплескам. Новое исследование, представленное на arXiv, предлагает сравнительную оценку классических и машинно-обучающих моделей на данных по COVID-19 в канадской провинции Онтарио.

Что произошло

Авторы работы проанализировали 190 еженедельных наблюдений за заболеваемостью COVID-19, применив три подхода: авторегрессионное интегрированное скользящее среднее (ARIMA), случайный лес (Random Forest) и экстремальный градиентный бустинг (XGBoost). Особое внимание уделено адаптивности моделей — их способности быстро реагировать на резкие изменения эпидемиологической кривой без чрезмерного подстраивания под случайные колебания.

Почему это важно

Традиционные статистические модели, такие как ARIMA, хорошо работают на стабильных временных рядах, но пасуют перед неожиданными скачками заболеваемости. Методы машинного обучения, напротив, могут улавливать сложные нелинейные зависимости, однако склонны к переобучению на шумах. Сравнение на реальных данных Онтарио показало, что усреднение прогнозов нескольких моделей (model averaging) позволяет достичь более надежных и устойчивых результатов, чем любая отдельная модель.

Что дальше

Результаты открывают путь к созданию гибридных прогностических систем для органов здравоохранения, которые смогут оперативно адаптироваться к новым волнам инфекций или изменениям в методах тестирования. В будущем авторы планируют расширить набор данных на другие регионы и включить дополнительные предикторы, такие как мобильность населения и данные о вакцинации.