Prevedere l'esitazione vaccinale usando l'analisi dei dati

Malattie altamente contagiose come il morbillo possono essere prevenute tramite i vaccini. Il vaccino MPR (Morbillo, Parotite e Rosolia) è molto efficace nel fermare queste malattie. Le scuole pubbliche in vari posti, incluso gli Stati Uniti, richiedono questo vaccino per gli studenti. Il morbillo è stato persino dichiarato "eliminato" negli USA nel 2000. Tuttavia, negli ultimi anni, ci sono stati più focolai di morbillo, in parte perché meno bambini ricevono il vaccino. Ad esempio, c'è stato un grande focolaio a New York nel 2019, con oltre 900 casi. In Nigeria, nel 2021, sono stati segnalati oltre 10.000 casi, e in tutto il mondo, il morbillo ha causato 128.000 morti nello stesso anno. La pandemia di COVID-19 ha aggravato la situazione rendendo più difficile per i bambini ricevere il vaccino.

Il calo nei tassi di vaccinazione può essere attribuito a diverse ragioni, con l'esitazione vaccinale che è una delle principali. Anche prima della pandemia, mentre circa il 95% dei bambini dell'asilo riceveva il vaccino MPR, questa copertura era disomogenea nel paese, con alcune aree che mostrano tassi di vaccinazione bassi. Durante la pandemia, le vaccinazioni di routine hanno subito un colpo significativo, e milioni di bambini hanno perso la loro prima dose del vaccino contro il morbillo. Oggi, il morbillo è considerato una seria minaccia globale.

L'esitazione vaccinale è un crescente problema di salute pubblica. Capire dove e perché si verifica questa esitazione è essenziale poiché può portare a focolai di malattie prevenibili. Sfortunatamente, i dati sui tassi di vaccinazione sono spesso disponibili solo a livello più ampio, come a livello statale, rendendo difficile individuare le aree che necessitano di aiuto. Alcuni stati offrono rapporti sulle indagini vaccinali scolastiche, ma questi sono normalmente limitati a gruppi di età specifici e trascurano molti bambini, inclusi quelli che seguono l'istruzione domiciliare.

#Analizzando l'Esitazione Vaccinale

Questo lavoro mira a creare metodi per prevedere l'esitazione vaccinale per codice postale, concentrandosi sui bambini dai 0 ai 6 anni. La ricerca ha dimostrato che l'assunzione del vaccino per questo gruppo di età può riflettere come si sentono i genitori riguardo ai vaccini. Questi bambini piccoli dovrebbero ricevere diversi vaccini obbligatori, tra cui MPR, HepB (Epatite B) e DTaP (Difterite, Tetano e Pertosse). Un aspetto unico di questo studio è l'uso di un ampio set di dati provenienti da Richieste di Assicurazione in Virginia, che copre oltre 5 milioni di persone in cinque anni.

La ricerca sull'esitazione vaccinale spesso guarda ai dati dei social media per capire le attitudini e i fattori che influenzano l'esitazione. Tuttavia, queste fonti possono essere distorte in base a chi utilizza le diverse piattaforme. Alcuni studi più recenti si basano su dati a livello individuale, che possono essere difficili da generalizzare. Il nostro lavoro discute ricerche rilevanti sulla modellazione dell'esitazione vaccinale.

#I Nostri Contributi

Presentiamo un nuovo approccio-VH-GNN-che combina una rete neurale a grafo e una rete neurale ricorrente. Questo metodo utilizza Dati demografici, dati storici di esitazione e dati dettagliati su come le persone si mescolano nelle comunità. La rete neurale a grafo aiuta a catturare come l'esitazione vaccinale sia influenzata dalle aree vicine, mentre la rete neurale ricorrente osserva come l'esitazione si evolve nel tempo.

Allenando e valutando il VH-GNN utilizzando il nostro ampio set di dati delle richieste di assicurazione in Virginia, abbiamo dimostrato prestazioni migliori rispetto a diversi altri metodi. Il nostro approccio riduce significativamente gli errori di previsione tra il 18,4% e il 43,4%. Uno studio di ablation dimostra che l'uso di informazioni spaziali è fondamentale per migliorare le prestazioni nella previsione dell'esitazione vaccinale.

Anche se il VH-GNN funziona bene nel complesso, alcuni codici postali mostrano ancora errori più alti nelle previsioni. Abbiamo identificato alcune caratteristiche in queste aree, come la percentuale di bambini, il tasso di esitazione vaccinale, la percentuale di assicurazioni Medicaid e la percentuale di popolazione ispanica.

Per comprendere meglio i risultati, abbiamo usato metriche specifiche per valutare quanto siano simili i gruppi in termini di livelli di esitazione. Abbiamo trovato che i gruppi di esitazione vaccinale dalle nostre previsioni sono abbastanza simili ai livelli di esitazione reali nel nostro set di dati.

#Ricerca Correlata

La ricerca sulla previsione dell'esitazione vaccinale si divide in due categorie principali: studi basati sui dati e studi basati su modelli. La maggior parte degli studi recenti utilizza modelli di apprendimento automatico per identificare l'esitazione vaccinale locale e per prevedere le decisioni individuali. Tuttavia, questi non considerano come l'esitazione vaccinale si diffonde tra diverse aree. C'è una tendenza per il rifiuto vaccinale a raggrupparsi in alcuni quartieri, il che significa che capire come queste aree si influenzano a vicenda è cruciale.

Studi recenti che esaminano l'esitazione vaccinale per il COVID-19 hanno applicato metodi di regressione pesata geograficamente per spiegare le differenze nei tassi di vaccinazione. Anche se alcuni modelli matematici affrontano l'esitazione vaccinale, spesso trascurano come variano le connessioni sociali.

Per affrontare le varie influenze dei quartieri e i cambiamenti nel tempo legati all'esitazione vaccinale, utilizziamo un framework di deep learning basato su grafi. Questo framework combina elementi delle reti neurali a grafo con un modulo sequenziale per prevedere l'esitazione per ciascun codice postale. Ogni codice postale serve come nodo, e le connessioni tra di essi rappresentano relazioni basate su vari fattori.

Il nostro obiettivo è stabilire quanto siano esitanti le persone riguardo ai vaccini a livello di codice postale. Utilizziamo dati storici sull'esitazione e caratteristiche demografiche della popolazione, nonché diversi tipi di connessioni tra i codici postali.

#Il Problema dell'Esitazione Vaccinale

La sfida principale qui è apprendere i livelli di esitazione vaccinale nel tempo basandosi su dati passati di esitazione, informazioni demografiche e connessioni tra codici postali. L'analisi dei livelli di esitazione mostra variazioni significative che suggeriscono la necessità di un approccio spaziale.

Il nostro framework, VH-GNN, presenta due componenti chiave: un modulo spaziale e un modulo sequenziale. Il modulo spaziale si concentra sull'apprendimento di come i fattori locali influenzano l'esitazione, mentre il modulo sequenziale è progettato per studiare i cambiamenti nel tempo.

#Modulo Spaziale

In questo modulo, utilizziamo un grafo statico per illustrare come diversi codici postali siano collegati. Proponiamo tre tipi di connettività:

1. Grafo di Adiacenza: Collega nodi che condividono un confine.
2. Grafo Basato sulla Distanza: Collega tutti i codici postali, con la distanza che influisce sulla forza della connessione.
3. Grafo di Mobilità: Indica il movimento della popolazione tra le aree.

Tutte le connessioni e i pesi sono normalizzati per coerenza.

#Modulo Sequenziale

Per il modulo sequenziale, ci concentriamo sull'aspetto temporale dell'esitazione vaccinale. L'input è una matrice che prevede i livelli di esitazione nel tempo. Utilizziamo Gated Recurrent Units (GRU), noti per la loro efficacia nella gestione dei dati sequenziali.

Entrambi i moduli sono ottimizzati per migliorare le previsioni sull'esitazione vaccinale.

#Raccolta Dati e Sperimentazione

Per analizzare i livelli di rifiuto dei pazienti in Virginia, abbiamo utilizzato un set di dati che copre cinque anni di richieste di assicurazione. Questo set di dati include informazioni sulle richieste mediche pagate per circa 5 milioni di individui provenienti da vari tipi di assicurazione.

Abbiamo filtrato per bambini di sei anni e meno e compilato un set di dati che cattura le loro caratteristiche uniche nel tempo, tra cui genere e razza.

#Impostazione Sperimentale

Abbiamo valutato il framework utilizzando le tecniche menzionate in precedenza e sintonizzato vari iperparametri per ottenere prestazioni ottimali. Abbiamo effettuato aggiustamenti per i tassi di apprendimento e le epoche di addestramento per prevenire l'overfitting garantendo al contempo un apprendimento efficace nei test.

#Metriche per la Valutazione

Per valutare le prestazioni del framework VH-GNN, abbiamo utilizzato due metriche principali:

• Errore Quadratico Medio (RMSE)
• Errore Assoluto Medio (MAE)

Valori più bassi di queste metriche indicano una migliore accuratezza nelle previsioni.

#Confronto dei Risultati

Abbiamo confrontato il nostro metodo con approcci tradizionali come Regressione Lineare, Perceptron Multilayer e Reti Neurali Convoluzionali a Grafo. I risultati hanno indicato che il VH-GNN ha costantemente superato questi metodi di base, soprattutto negli anni 2019 e 2020.

Inoltre, abbiamo valutato l'impatto di diversi meccanismi di connettività sulle prestazioni del modello, scoprendo che il grafo di mobilità forniva i migliori risultati.

#Comprendere gli Errori

Abbiamo categorizzato i nodi in due gruppi basati sull'accuratezza delle previsioni: quelli con grandi errori e quelli con piccoli errori. Analizzando questi gruppi, abbiamo notato differenze significative nella demografia e nelle dimensioni, rivelando che le aree con popolazioni più piccole e livelli di esitazione più alti spesso presentano maggiori sfide per la previsione.

#Capacità di Previsione

Abbiamo anche testato quanto bene il VH-GNN possa prevedere i livelli futuri di esitazione. I risultati hanno mostrato promesse con valori RMSE e MAE, indicando previsioni efficaci per tutti i codici postali in Virginia.

#Conclusione

Il framework VH-GNN dimostra potenzialità nella previsione dell'esitazione vaccinale a livello di codice postale. Combinando approcci di apprendimento basati su grafi e sequenze, integra con successo ampi set di dati per migliorare l'accuratezza delle previsioni. Questo lavoro sottolinea l'importanza dei fattori geografici e demografici nella comprensione dell'esitazione vaccinale e apre strade per interventi mirati e strategie per migliorare i tassi di immunizzazione.