Methoden des maschinellen Lernens zur Modellierung der Leishmaniose bis in das Jahr 2060

Die Kutane Leishmaniose ist eine vernachlässigte Tropenkrankheit, deren Übertragungsdynamik hochsensibel auf mikroklimatische Veränderungen reagiert [1]. Angesichts der globalen Erwärmung (Szenarien SSP2-4.5) ist eine präzise Vorhersage künftiger Risikogebiete für das Gesundheitswesen essenziell. Diese Studie stellt einen datengetriebenen Ansatz vor, um die Inzidenz der Krankheit zu modellieren. Aufgrund der hohen Datenqualität des nationalen DATASUS-Systems wird Brasilien als Modellregion für die Methodenentwicklung genutzt. Methodisch kommt ein zweistufiges Hürdenmodell ("Hurdle Model") zum Einsatz, um das Problem der vielen null-basierten Datenpunkte zu lösen. Dafür wurde ein Ensemble aus XGBoost, Random Forest und Ridge Regression auf historischen Daten (2001–2020) sowie selektierten bioklimatischen Variablen trainiert. Das Modell erzielt eine robuste Vorhersagegüte mit einem AUC-Wert von 0.89 in der Risikoklassifikation. Die Prognose für 2060 deutet auf einen Rückgang der betroffenen Gebiete hin. In den heutigen Hotspots sinken die Fallzahlen, da die Temperaturen physiologische Grenzen der Mücken überschreiten. Eine Ausbreitung in den kühleren Süden findet laut Modell kaum statt, da dort die hohe Urbanisierung als Barriere wirkt. Die Ergebnisse zeigen zudem, wie erklärbare KI mittels SHAP genutzt werden kann, um komplexe öko-epidemiologische Zusammenhänge transparent zu machen.