Maschinelles Lernen vorhersagt RSV-Hospitalisierungen dank Umweltdaten

Respiratory Syncytial Virus (RSV) bleibt die häufigste Ursache für Krankenhauseinweisungen bei Kleinkindern. Die Ausbrüche sind stark von Umweltbedingungen abhängig, so zeigte eine neue Studie, die auf der Plattform arXiv veröffentlicht wurde.

Forscher entwickelten ein Machine‑Learning‑Framework, das wöchentliche RSV‑Hospitalisierungsraten in den USA vorhersagen kann. Dabei wurden Daten aus der Abwasserüberwachung, meteorologischen Messungen und Luftqualitätsmessungen kombiniert. Die Analyse nutzte wöchentliche Hospitalisierungszahlen, RSV‑Spiegel im Abwasser, tägliche Wetterdaten und Konzentrationen von Luftschadstoffen.

Zur Klassifizierung wurden CART, Random Forest und Boosting‑Modelle eingesetzt, die die wöchentlichen RSV‑Raten in drei Risikokategorien einteilten: „Low risk“, „Alert“ und „Epidemic“. Die Modelle konnten die Risikostufen zuverlässig vorhersagen und bieten damit ein Werkzeug für frühzeitige Gesundheitsinterventionen.

Die stärkste Vorhersagekraft zeigte sich bei den RSV‑Spiegeln im Abwasser, gefolgt von meteorologischen Faktoren wie Temperatur, Ozonkonzentration und spezifischer Luftfeuchte. Zusätzlich identifizierte die Studie signifikant höhere Hospitalisierungsraten bei Native Americans und Alaska Natives sowie bei Staaten mit hoher Topographie, die durch niedrigeren Luftdruck gekennzeichnet sind.

Diese Ergebnisse unterstreichen die Bedeutung der Kombination von Umwelt- und Gemeinschaftsdaten, um RSV-Ausbrüche frühzeitig zu erkennen. Durch gezielte Ressourcenallokation und präventive Maßnahmen können Gesundheitsbehörden die Belastung durch RSV reduzieren und besonders gefährdete Bevölkerungsgruppen besser schützen.