Fare previsioni di sanità pubblica durante una pandemia significa inseguire un bersaglio che cambia forma: i conteggi dei casi possono saltare per nuovi focolai, varianti o semplicemente per ritardi e artefatti di segnalazione. Uno studio canadese ha usato 190 osservazioni settimanali dei casi COVID-19 in Ontario, da gennaio 2020 a ottobre 2023, per confrontare tre approcci: ARIMA, random forest e XGBoost. La validazione incrociata con origine mobile ha preservato l'ordine temporale, evitando che i modelli sbirciassero nel futuro durante tuning e valutazione.

Sui tre assi presi in esame — reattività dopo i punti di svolta, orizzonti da una a sei settimane e quantità di storico usato per l'addestramento — i modelli si sono comportati in modo diverso. ARIMA si adattava rapidamente dopo i cambi di direzione, ma il suo errore normalizzato cresceva sugli orizzonti più lunghi. Random forest e XGBoost erano meno reattivi nella fase iniziale ma mantenevano un errore più stabile nel tempo. Per le previsioni a due settimane alla fine del periodo di studio, addestrare sui dati più recenti batteva l'uso di periodi storici più lunghi, soprattutto con XGBoost.

Da queste differenze nasce MLAMA, un ensemble che combina i modelli con pesi non negativi basati sulle prestazioni e variabili per orizzonte e impostazione di reattività. Nei confronti retrospettivi, MLAMA ha ottenuto il più basso errore percentuale medio assoluto normalizzato nella maggior parte degli orizzonti e si è classificato tra i metodi migliori nei diversi scenari di reattività. Il risultato non è la celebrazione di un singolo modello, ma la dimostrazione che il calendario delle previsioni e il tipo di evento da anticipare cambiano radicalmente la scelta migliore.

Qui sta il punto strutturale. In ambito sanitario, l'idea di un 'modello migliore' universale è fragile: un sistema di sorveglianza deve convivere con definizioni di caso che cambiano, ritardi di notifica e picchi improvvisi. Un ensemble come MLAMA non è solo un modo per ridurre l'errore, ma un framework decisionale che permette di modulare la risposta in base al contesto: più reattività quando serve intercettare una svolta, più stabilità quando l'obiettivo è una pianificazione a medio termine. È una distinzione che sfida le narrazioni dei vendor che presentano un unico modello 'superiore'. Il valore reale si sposta dal singolo algoritmo alla pipeline che combina e valida più approcci.

Per chi opera con dati sanitari, la riproducibilità e il controllo restano centrali. Lo studio segnala che il pacchetto Python che implementa MLAMA è mantenuto in un repository privato mentre vengono completate validazione e test di riproducibilità. Non è un dettaglio: in istituzioni pubbliche, la possibilità di ispezionare codice, replicare risultati e aggiornare i modelli localmente è condizione per fidarsi di uno strumento previsionale. Anche senza parlare esplicitamente di cloud, un framework di previsione modulare si presta a essere eseguito su infrastruttura locale, dove la sovranità sui dati di sorveglianza è più facile da garantire. La lezione operativa è che la previsione efficace non vive in una classifica di modelli, ma in un processo di selezione legato alle condizioni sul campo.