# APBA Kısa Özet
CDC, Ekim 2025‑Mart 2026 tarihleri arasında Güney Carolina’da yaşanan büyük kızamık salgını sırasında raporlama gecikmelerini düzeltmek ve gerçek zamanlı vaka sayısı ile etkili üreme sayısı (Rt) tahminleri üretmek amacıyla bir nowcasting (şimdiki tahmin) modeli geliştirdi. Model, geçici (provisional) veri setlerine kıyasla salgının kümülatif büyüklüğünün daha doğru tahmin edilmesini sağladı; ancak vaka sayısının ani artışı nedeniyle Ocak ayında veri eksikliği yaşandığında tahmin doğruluğu azaldı. Temel tarih alanlarının (döküntü başlangıcı ve raporlama tarihleri) tutarlı bir şekilde toplanması, nowcasting’in durum farkındalığı ve müdahale kapasitesi kararlarını desteklemesinde kritik bir faktör olarak vurgulandı.
# Çalışma neyi araştırdı?
Bu çalışma, kızamık gibi yüksek bulaşıcılık potansiyeline sahip bir hastalığın salgın sürecinde raporlama gecikmelerinin gerçek zamanlı değerlendirmeyi nasıl zorlaştırdığını ve nowcasting yönteminin bu sorunu ne ölçüde hafifletebileceğini incelemeyi amaçladı. Özellikle, modelin (a) günlük vaka sayısı tahminleri, (b) salgının toplam büyüklüğü ve (c) etkili üreme sayısı (Rt) üzerindeki performansı değerlendirildi.
# Yöntem
Çalışma tasarımı: Gözlemsel, retrospektif analiz. CDC, mevcut salgın izleme sistemlerinden elde edilen raporlanmış kızamık vakalarını kullandı. Zaman dilimi: Ekim 2025 – Mart 2026 (6 ay). Veri kaynakları: Kızamık vakalarının raporlandığı tarih, semptom başlangıcı (döküntü) tarihi ve diğer temel epidemiyolojik bilgiler. Nowcasting modeli: Geçmiş raporlama gecikme dağılımlarına dayalı istatistiksel bir model; bu model, eksik (provisional) verileri tarihsel gecikme kalıplarıyla ağırlıklandırarak gerçek zamanlı vaka sayısı ve Rt tahminleri üretti. Karşılaştırma: Model tahminleri, aynı dönemdeki yalnızca provisional veriyle elde edilen tahminlerle karşılaştırıldı. Değerlendirme ölçütleri: Kümülatif vaka sayısı tahmin hatası, günlük vaka tahmin doğruluğu ve Rt eğrilerinin gözlemlenen trendlerle uyumu.
# Temel bulgular
- Kümülatif büyüklük tahmini: Nowcasting, provisional veriyle yalnızca elde edilen tahminlere göre daha yakın bir kümülatif vaka sayısı sağladı.
- Günlük vaka tahmini: Model, genel olarak günlük vaka sayısını doğru bir şekilde yakaladı; ancak Ocak ayında, vaka sayısındaki ani artış ve eksik provisional veri nedeniyle tahmin hatası yükseldi.
- Rt tahmini: Üretilen Rt eğrileri, salgının genel transmisyon trendlerini yansıttı; bu, müdahale kararları için faydalı bir gösterge olarak değerlendirildi.
- Veri gereksinimi: Modelin güvenilirliği, rash onset ve raporlama tarihleri gibi temel tarih alanlarının tutarlı bir şekilde toplanmasına bağlı olduğu belirlendi.
# Bulgular ne anlama geliyor?
Nowcasting, raporlama gecikmelerinin yaratabileceği bilgi boşluklarını doldurarak, halk sağlığı yetkililerine daha güncel bir epidemiyolojik tablo sunabilir. Bu çalışma, özellikle salgının erken aşamalarında ve vaka sayısının hızlı yükseldiği dönemlerde, modelin tahmin doğruluğunun veri kalitesine duyarlı olduğunu gösterdi. Ocak ayında gözlenen doğruluk düşüşü, veri eksikliği ve raporlama gecikmesinin artışının model performansını olumsuz etkileyebileceğini ortaya koydu. Dolayısıyla, nowcasting’in faydalı bir tamamlayıcı araç olduğu, ancak tam raporlama sistemlerinin yerini almadığı vurgulanıyor.
# Klinik önem
Klinik pratiğe doğrudan bir müdahale önerisi sunmaktan ziyade, bu bulgular sağlık otoritelerinin salgın yönetim stratejilerini şekillendirmesine yardımcı olabilir. Gerçek zamanlı vaka ve Rt tahminleri, aşı kampanyalarının hedeflenmesi, karantina ve izolasyon kararlarının zamanlaması ve sağlık hizmeti kapasitesinin planlanması gibi alanlarda bilgi sağlayabilir. Ancak, modelin güvenilirliği için temel tarih alanlarının eksiksiz ve tutarlı bir şekilde toplanması gerektiği, bu veri toplama süreçlerinin güçlendirilmesi gerektiği anlamına gelir.
# Sınırlılıklar
Veri istikrarı: Modelin doğruluğu, raporlama gecikme kalıplarının zaman içinde sabit kalmasına dayanır; Ocak ayında görülen ani değişiklikler bu varsayımı ihlal etti. Genelleştirilebilirlik: Çalışma, yalnızca Güney Carolina’daki bir kızamık salgınına odaklandığı için, farklı coğrafi bölgeler veya hastalıklar için aynı performans garantisi verilemez. Modelin kapsamı: Nowcasting, eksik verileri tahmin etmeye odaklanır; ancak raporlama sistemlerinin tamamen yerine geçmez ve hâlâ tam veri akışına ihtiyaç duyar. Sayısal kesinlik eksikliği: Çalışma, tahmin hatalarının büyüklüğü ve güven aralıkları gibi detaylı sayısal ölçütleri rapor etmemiştir; bu da sonuçların istatistiksel kesinliğini sınırlamaktadır. * Potansiyel yanlılık: Veri toplama sürecindeki eksiklikler (örneğin, rash onset tarihinin hatalı kaydedilmesi) model tahminlerine sistematik bir yanlılık ekleyebilir.
--- APBA Yorum: Bu çalışma, nowcasting’in salgın izleme çerçevesinde değerli bir ek araç olabileceğini gösteriyor. Ancak, modelin performansı veri kalitesine sıkı bir şekilde bağlıdır; bu da sağlık sistemlerinin veri toplama altyapısını güçlendirmesini zorunlu kılar. Şu anki bulgular, klinik kararları doğrudan değiştirmek yerine, kamu sağlığı yöneticilerinin gerçek zamanlı durum farkındalığını artırmak için kullanılmalıdır. Gelecek araştırmalar, farklı hastalıklar ve coğrafi bağlamlarda modelin geçerliliğini test etmeli ve tahmin hatalarının nicel ölçümlerini rapor etmelidir.