Die jüngste und immer noch andauernde Pandemie von SARS-CoV-2 hat gezeigt, dass ein Ausbruch einer Infektionskrankheit schwerwiegende Folgen für die Bevölkerung und die Wirtschaft haben kann. In dieser Situation sind die Gesundheitsämter ständig bemüht, die Zahl der Infektionen zu kontrollieren und zu reduzieren, um eine Überlastung des Gesundheitssystems zu vermeiden. Neben der Minimierung des persönlichen Kontakts durch politische Maßnahmen ist ein wesentlicher Ansatz zur Eindämmung der Ausbreitung von Krankheiten die Identifizierung von Infizierten. Die Effektivität des letztgenannten Ansatzes hängt stark von einer rechtzeitigen Erkennung des Ausbruchs ab, da die Verfolgung von Einzelpersonen schnell undurchführbar werden kann, wenn die Zahl der Fälle zunimmt. Daher ist ein Schlüsselfaktor bei der Eindämmung einer Infektionskrankheit die frühzeitige Erkennung eines potenziellen größeren Ausbruchs, allgemein bekannt als Ausbruchserkennung.

Zu diesem Zweck stützen sich Epidemiologen auf eine Vielzahl statistischer Überwachungsmethoden. Sie ermöglichen es einen Überblick über das aktuelle Infektionsgeschehen zu erhalten, indem sie entweder bestätigte Fälle oder Fälle mit frühen Symptomen von Infektionskrankheiten überwachen. Diese Methoden, die hauptsächlich auf statistischen Hypothesentests beruhen, lösen automatisch einen Alarm aus, wenn ein unerwarteter Anstieg der Zahl der Infektionen beobachtet wird. Ihr praktischer Nutzen hängt in einem hohen Maß von der Abwägung zwischen der Fähigkeit Ausbrüche zu erkennen und der Wahrscheinlichkeit eines Fehlalarms ab. Dieser hypothesengestützte Ansatz der Krankheitsüberwachung hat jedoch mehrere Nachteile. Zum einen handelt es sich um einen sehr händisch geprägten Ansatz, der Fachwissen zur Einrichtung der statistischen Methoden erfordert, insbesondere wenn frühe Symptome überwacht werden. Zum anderen werden Ausbrüche neu auftretender Infektionskrankheiten mit unterschiedlichen Symptommustern von einem solchen Überwachungssystem wahrscheinlich übersehen.

Um diese Herausforderungen zu bewältigen, konzentrieren wir uns in dieser Arbeit auf die datengesteuerte Überwachung von Krankheiten. Um Epidemiologen bei der Definition zuverlässiger Krankheitsmuster für die Überwachung von Fällen mit frühen Symptomen zu unterstützen, präsentieren wir einen neuartigen Ansatz, mit dem solche Muster in historischen Daten erfasst werden. Im Hinblick auf das überwachte Lernen stellen wir einen Fusionsklassifikator vor, der die Ergebnisse mehrerer statistischer Methoden kombinieren kann, wobei die univariate Zeitreihe der Infektionszahlen als einzige Informationsquelle dient. Darüber hinaus entwickeln wir Algorithmen auf der Grundlage des unüberwachten Lernens, die die Aufgabe der Erkennung von Krankheitsausbrüchen als ein allgemeines Problem der Anomalieerkennung auffassen. Dies schließt auch die Überwachung neu auftretender Infektionskrankheiten ein. Hierfür stellen wir einen neuartiges Framework zur Verfügung und präsentieren einen neuen Ansatz auf der Grundlage von Sum-Product Networks, mit dem mehrere Krankheitsmuster gleichzeitigen überwacht werden können. Unsere Ergebnisse zeigen, dass datengesteuerte Ansätze ideal sind, um Epidemiologen bei der Verarbeitung großer Datenmengen zu unterstützen, die von Menschen nicht vollständig verstanden und analysiert werden können. Vor allem die Einbeziehung zusätzlicher Informationen in den Überwachungsprozess durch maschinelle Lernverfahren zeigt zuverlässige und vielversprechende Ergebnisse.