31. Oktober 2025
KI verbessert Epidemieprognosen
FIAS-Forscher verbinden Erkrankungsmodelle mit künstlicher Intelligenz, um besser zu verstehen, wie sich Krankheiten ausbreiten.
Genauere Vorhersagen von Epidemien sind wichtig, um Infektionskrankheiten zu bekämpfen und die öffentliche Gesundheit zu schützen. Ein Forschungsteam am Frankfurt Institute for Advanced Studies (FIAS) entwickelte dafür eine neue künstliche Intelligenz (KI). Diese verbindet klassische Modelle zur Ausbreitung von Krankheiten mit modernen Deep-Learning-Methoden, um Unterschiede im zeitlichen und räumlichen Verlauf einer Epidemie besser zu erfassen.
Doktorand Shuai Han sowie Lukas Stelz und die betreuenden FIAS-Senior-Fellows Kai Zhou und Horst Stöcker, zusammen mit FIAS-Fellow Thomas Sokolowski, tauften ihr Modell Epidemiology-informed Spatiotemporal Graph Neural Network (EISTGNN). Es zeigt, wie die Krankheit sich in verschiedenen Regionen unterschiedlich schnell oder langsam ausbreitet und wie sich Kontakte im Laufe der Zeit ändern.
Anders als herkömmliche Black-Box-KI-Modelle lernt EISTGNN direkt aus wichtigen epidemiologischen Werten wie Ansteckungs- und Genesungsraten sowie Kontakten zwischen Regionen, sodass das Modell die Ausbreitung der Krankheit besser und nachvollziehbar erklärt. Das Modell zeigt, wie unterschiedliche Mobilitätsmuster, politische Eingriffe und gesellschaftliche Ereignisse die Übertragung in verschiedenen Regionen beeinflussen. Gemessen anhand großer Datensätze aus China und Deutschland übertrifft EISTGNN durchweg aktuelle Ansätze und bietet gleichzeitig transparente Einblicke in die regionale Ausbruchsdynamik.
„Unser Modell verbindet epidemiologische Ansätze mit der flexiblen Leistungsfähigkeit von künstlicher Intelligenz und liefert sowohl verständliche als auch anpassungsfähige Ergebnisse“, so Han. „Es sagt nicht nur Epidemietrends genauer voraus, sondern erklärt auch, warum und wie sie sich von Region zu Region unterscheiden.“
Diese Studie trägt dazu bei, eine Brücke zwischen mechanistischer Modellierung und künstlicher Intelligenz zu schlagen, und zeigt, wie theoretisches Verständnis und datengestütztes Lernen zusammenwirken können, um komplexe epidemische Dynamiken zu erklären. Zukünftige Arbeiten werden diesen Ansatz auf verwandte Bereiche und reale Anwendungen ausweiten.
Publikation:
Shuai Han, Lukas Stelz, Thomas R. Sokolowski, Kai Zhou, Horst Stöcker, Epidemiology-informed Spatiotemporal Graph Neural Network for heterogeneity-driven interpretable epidemic forecasting, Engineering Applications of Artificial Intelligence 162 (2025) 112764. DOI: 10.1016/j.engappai.2025.112764
