Räumlich-zeitliche Modellierung zur Abschätzung der Auswirkungen des Klimawandels auf die Malaria-Belastung und zur Unterstützung von Frühwarnsystemen

• Antragstellerin: Privatdozentin Dr. Penelope Vounatsou, Ph.D.
• Fachliche Zuordnung: Public Health, Gesundheitsbezogene Versorgungsforschung, Sozial- und Arbeitsmedizin
• Förderung: Förderung seit 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 409670289

Das Klima ist eine der Triebkräfte für die Übertragung, aber auch andere Faktoren wie Bekämpfungsmassnahmen und die sozioökonomische Entwicklung können die Krankheitsdynamik beeinflussen. In der ersten Phase des Projekts haben wir statistische und mathematische Modelle entwickelt, um den Beitrag klimatischer und nichtklimatischer Faktoren zur Malaria zu quantifizieren und den Mehrwert mathematischer Übertragungsmodelle für die Vorhersage von Ausbrüchen im Vergleich zu statistischen Modellen zu bewerten. Daten des HDSS in Kisumu zeigten, dass die Temperatur einen ähnlichen Schutzeffekt wie die Wirkung von Moskitonetzen hat, wobei dieser Effekt jedoch durch Regenfälle aufgehoben wird. Diese Zusammenhänge variierten in den verschiedenen Jahreszeiten. Die hohen Korrelationen zwischen den Klimafaktoren und die nichtlinearen Beziehungen zur Malaria machten es schwierig, mit statistischen Modellen konsistente Ergebnisse zu erzielen. Statistische Modelle sind in der Lage, Assoziationen abzuschätzen, können jedoch weder kausale Zusammenhänge aufzeigen noch nichtlineare Wechselwirkungen zwischen den Malariatreibern berücksichtigen. Die Nichtstationarität der Malariadaten und die unterschiedliche Wirkung der Prädiktoren über die Jahreszeiten hinweg legen nahe, dass Vorhersagemodelle besser funktionieren, wenn die Nichtstationarität gelockert wird. Das übergreifende Ziel des Folgeprojekts besteht darin, unser Verständnis der Auswirkungen des Klimawandels auf die Malariabelastung zu vertiefen, indem wir innovative Methoden entwickeln, die die nichtlinearen Wechselwirkungen der Malariatreiber auf die Übertragungsdynamik und die Nichtstationarität der Daten berücksichtigen. Die spezifischen Ziele bestehen darin: (i) Bewertung zeitverzögerter kausaler Auswirkungen von klimatischen und nichtklimatischen Faktoren auf die Veränderungen der Malariainzidenz über verschiedene Zeiträume und Übertragungsebenen; (ii) Entwicklung altersstrukturierter stochastischer Metapopulations-Malaria-Übertragungsmodelle, die Klima- und Kontrollinterventionseffekte berücksichtigen; (iii) Entwicklung nichtstationärer Modelle für kurz- und mittelfristige Malariaprognosen unter Berücksichtigung von Klimavariationen über unterschiedliche Zeiträume; und (iv) Bewertung der Leistungsfähigkeit dieser Werkzeuge anhand gemeinsamer Datensätze und ihrer Realisierbarkeit in einem modellgestützten Frühwarnsystem. Wir wollen diese spezifischen Ziele erreichen, indem wir (a) Methoden zur Bewertung der Kausalität in Zeitreihendaten zur Vorhersage einsetzen und diese weiterentwickeln, indem wir Wavelets mit maschinellem Lernen und dynamischen, zeitverzögerten Einbettungsmodellen verbinden; (b) leistungsstarke Rechenverfahren wie iterierte Filterung, Partikel-Markov-Chain und Hamilton-Monte-Carlo Simulationen verwenden; und (c) vorhandene Daten der DHSI2, HDSS von Nouna und Kisumu analysieren, die Ergebnisse skalierter Klimamodelle einbeziehen, sowie hydrometeorologische und Satellitendaten verwenden.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2936: Klimawandel und Gesundheit in Afrika südlich der Sahara
• Internationaler Bezug: Burkina Faso, Kenia, Schweiz
• Partnerorganisation: Schweizerischer Nationalfonds (SNF)
• Kooperationspartner: Dr. Stephen Munga, Ph.D.; Dr. Ali Sié, Ph.D.