A new method for assessing the risk of infectious disease outbreak

Yilan Liao1,2,*, BingXu1,3,4,*, JinfengWang1,2 & Xiaochi Liu1,5

Dengan munculnya berbagai penyakit menular baru seperti H7N9, H5N1, Ebola dan
kemunculan penyakit yang ada misalnya, demam berdarah; penyakit tangan, kaki, dan mulut;
campak; dan wabah disentri basiler, prevalensi penyakit menular merupakan ancaman serius
bagi kesehatan dan kehidupan manusia. Beberapa penyakit menular memiliki angka kematian
dan kematian yang tinggi, dan beberapa penyakit ini tidak memiliki perawatan atau vaksin.
Oleh karena itu, kejadian penyakit ini penting untuk memberikan peringatan dini tepat waktu
tentang potensi wabah penyakit. Langkah-langkah ini menghasilkan informasi yang cukup
tentang epidemi penyakit, mengurangi wabah penyakit menular, dan mengendalikan efek
penyakit pada populasi tertentu. 2,3. Tujuan dilakukan penelitian ini, adalah untuk deteksi
distribusi penyakit yang tidak normal dan penilaian yang akurat dari risiko wabah penyakit
adalah yang terpenting.

Model Bayesian Belief Network (BBN)

BBN merepresentasikan hirarki dan hubungan timbal balik antar variabel, berbeda dengan
model regresi yang hanya dapat merepresentasikan ketergantungan variabel outcome
berdasarkan variabel predictor. Metode ini terdiri dari tiga bagian: (1) menentukan tingkat
risiko dan memilih faktor risiko; (2) membangun konstruksi BBN; dan (3) menghitung
probabilitas gabungan variabel target di BBN dan menilai risiko wabah.Hal pertama yang
dilakukan adalah pembangunan jaringan kepercayaan Bayesian. BBN menggunakan grafik
asiklik terarah (DAG) untuk mewakili variabel dan ketergantungan kausal probabilistik
antara variabel. Setiap variabel di BBN disajikan sebagai node dengan tautan berarah. Isi
informasi dari setiap variabel disajikan sebagai satu atau beberapa distribusi probabilitas. Jika
sebuah variabel tidak memiliki busur masuk, ia tidak bergantung pada variabel lain dalam
model semesta, dan jika memiliki orang tua, ia memiliki satu distribusi probabilitas per
kombinasi kemungkinan nilai induk. Oleh karena itu, jaringan hubungan yang andal sangat
penting untuk memprediksi risiko wabah penyakit dengan menggunakan BBN. Yan kedua
adalah analisis kuantitatif. Setelah membangun jaringan kepercayaan Bayesian, inferensi
probabilistik diambil untuk menjelaskan hubungan ketergantungan antara node variabel
dalam jaringan. Dalam penelitian kami, kesimpulan probabilistik dicapai dengan menghitung
distribusi probabilitas bersyarat bersama antara variabel berdasarkan hubungan sebab dan
akibatnya. Untuk setiap node BBN, rumus atau tabel probabilitas bersyarat, yang mewakili
probabilitas setiap nilai node diberikan kondisi orang tuanya, disediakan
P (X 1 = x 1, …, X n = x n) = P ( x 1, …, x n) = P ( x n) ∏ P (x i | Orang Tua (X saya))
Selanjutnya adalah Metode Rough Set yakni teori himpunan kasar digerakkan oleh data, yang
dibagi menjadi empat langkah: (1) diskritisasi data, yang dalam hal ini, untuk memastikan
komparabilitas model yang berbeda, sama dengan persiapan data yang memiliki telah
digunakan dalam model Jaringan Bayesian; (2) menemukan reduksi minimal dari atribut
bersyarat, menghapus atribut yang berlebihan, dan mengurangi kompleksitas sistem; (3)
menghasilkan aturan sesuai dengan pengurangan, yang dapat memberikan dasar aturan untuk
inferensi dan prediksi; dan (4) menerapkan aturan untuk memprediksi tingkat risiko wabah
epidemi. Dan yang terakhir adalah melakukan persiapan data dan dihasilkan salah satu kasus
yang diuji dengaN BBN yakni analisis risiko wabah campak. Dalam hal ini algoritma
pembelajaran struktur jaringan diterapkan untuk membangun jaringan, kemudian struktur
jaringan tersebut dimodifikasi berdasarkan pengetahuan ahli. Tingkat risiko wabah campak
adalah hal penting dari faktor lingkungan tempat tinggal, suhu minimum harian, kisaran
barometrik diurnal, dan jumlah sinar matahari harian. Kisaran barometrik diurnal bergantung
pada kecepatan angin maksimum harian. Selain itu, baik suhu minimum harian dan jumlah
harian sinar matahari merupakan simpul anak dari kelembaban minimum harian.
Kesimpulan
Dalam jurnal ini, pendekatan umum yang mengintegrasikan konsep jaringan Bayesian
dengan penilaian risiko penyakit menular telah diusulkan dan didemonstrasikan, merinci
bagaimana menilai risiko wabah campak dan HFMD menggunakan BBN berdasarkan kasus
dan gejala penyakit pada skala spasial yang berbeda. Terakhir, membandingkan akurasi dan
kelayakan metode BBN dan metode rough set. Hasil menunjukkan bahwa kinerja BBN lebih
baik daripada metode rough set, baik dalam hal akurasi dan stabilitas. Selain itu, setelah
jaringan hubungan antara risiko dan faktor wabah ditentukan, BBN secara akurat
memprediksi risiko lebih lanjut dari wabah penyakit menular tanpa beberapa faktor yang
dipilih. Ada banyak keuntungan menggunakan BBN untuk menilai risiko wabah penyakit.
Pertama, BBN menggambarkan hubungan probabilitas kausal antara risiko wabah penyakit
dan variabel faktor risiko, termasuk variabilitas, ketidakpastian, dan subjektivitas. Kedua,
karena BBN adalah grafik, maka mudah untuk memperbarui dan memahami hubungan antar
variabel. Terakhir, menurut distribusi probabilitas gabungan dari berbagai tingkat risiko
wabah penyakit, BBN tidak hanya menentukan tingkat risiko yang paling mungkin, tetapi
juga memberikan probabilitas bahwa tingkat risiko ini akan muncul dan memberikan
penilaian risiko rinci kepada departemen kesehatan masyarakat untuk surveilans penyakit.