Project
Applying deep learning to proactively anticipate and adapt to climate-driven disease outbreaks: lessons from vector-borne and food-borne diseases
Klimaatverandering stelt de volksgezondheid in Nederland voor verschillende uitdagingen. Met name de incidentie van door vectoren overgedragen ziekten en door voedsel overgedragen ziekten zal naar verwachting toenemen met de opwarming van de temperatuur. In het geval van door vectoren overgedragen ziekten vergroten warmere temperaturen het geografische bereik van vectoren zoals muggen en teken, terwijl meer neerslag leidt tot meer broedplaatsen in stilstaand water. Nederland, met zijn waterrijke landschap en dichte bevolking en veestapel, is daardoor kwetsbaarder voor uitbraken van door muggen overgedragen ziekten. Daarnaast kan de stijgende temperatuur bijdragen aan een toename van het aantal uitbraken van door voedsel overgedragen ziekten, omdat veranderingen in het microklimaat binnenshuis het aantal ziektes als gevolg van besmet voedsel kunnen doen toenemen.
Temperatuur heeft een grote invloed op de vermenigvuldiging van bacteriën in voedsel, waarbij hogere omgevingstemperaturen en een hogere luchtvochtigheid de microbiële groei versterken. Het voorspellen van uitbraken van beide soorten ziekten is een uitdaging vanwege hun complexe dynamiek, die het gevolg is van een samenspel van interacties binnen een netwerk van variabelen, wat resulteert in een niet-lineaire dynamiek die moeilijk te voorspellen is.
Dit project zal vector- en voedseloverdraagbare ziekten als specifieke voorbeelden gebruiken om zich te richten op twee belangrijke problemen binnen de anticipatie op ziektedynamica: 1) het schatten van de veerkracht van het systeem in termen van de kwetsbaarheid van het systeem voor toekomstige uitbraken, en 2) het aangeven van causale relaties binnen het complexe samenspel van ziekte, gebouwde omgeving en klimaatomstandigheden. We zullen onze inzichten gebruiken om bredere adaptieve maatregelen te ontwikkelen met behulp van machine learning om klimaatgeïnduceerde ziekte-uitbraken te bestrijden. In het geval van door vectoren overgebrachte ziekten beginnen we met ziektespecifieke wiskundige modellen die geworteld zijn in mechanistisch inzicht en gevalideerd zijn door empirische gegevens, en genereren we synthetische incidentie. Met deze synthetische datasets worden machine-learningmodellen getraind, die vervolgens worden gevalideerd met behulp van echte incidentiegegevens.
In het geval van door voedsel overgedragen ziekten zullen we een machine-learningmodel trainen en valideren om het uitbraakrisico te voorspellen op basis van klimaatvariabelen en geografische gegevens. In een apart model zal het effect van het binnenklimaat op specifieke door voedsel overgedragen ziekteverwekkers gemodelleerd worden om te bepalen hoe microbiële groei (MG) zal veranderen bij hogere binnentemperaturen. Deze modellen zullen gecombineerd worden om de kans op voedselgerelateerde uitbraken in toekomstige klimaatscenario's te voorspellen.