结合预测建模与情感分析提升拉沙热预测及公共卫生干预效能

本研究针对拉沙热（Lassa Fever）预测中缺乏公众情感数据整合的空白，开发了整合流行病学建模与情感分析的双阶段机器学习框架。研究人员利用NCDC流行病学数据和公开调查情感数据，训练了七种分类器（如Logistic Regression、Random Forest），通过SMOTE和TF-IDF处理数据不平衡问题，并采用5-fold cross-validation评估。结果显示，AdaBoost（AUC: 0.9655）和Gradient Boosting（MCC: 0.9674）在流行病学预测中领先，而情感分类中Random Forest（accuracy: 0.9718）和KNN（Kappa: 0.9696）表现优异。该框架为公共卫生规划提供了行为敏感的预测工具，提升了风险沟通和疾病控制效能。

　　

在非洲西部，拉沙热（Lassa Fever）是一种致命的病毒性出血热，每年导致约10万至30万病例和5000人死亡，其中尼日利亚、塞拉利昂和几内亚是高发区。尽管已有基于流行病学的预测模型，如Recursive Prediction模型能达到96.7%的准确性，但这些方法存在显著局限：它们往往忽视公众情感和行为数据，导致预测结果无法反映社区的真实风险感知和防控意愿。例如，Agusto和Solasa的研究指出，低风险认知会加速疾病传播，而Lewis和Novosel强调，情感数据（如公众恐慌或认知偏差）是强化风险沟通的关键。此外，现有模型常忽略数据不平衡问题（如少数类样本不足），并缺乏对气候、地理等环境因素的综合分析，使得预测在现实应用中不够可靠。这些问题不仅限制了疫情响应效率，还可能导致公共卫生资源错配——在2023年尼日利亚爆发中，尽管有快速响应团队，但医疗工作者感染率仍居高不下，凸显了预测与干预脱节的弊端。

为了填补这一空白，尼日利亚埃多州大学（Edo State University）的研究人员开展了一项创新研究，通过结合流行病学数据挖掘和情感分析，构建了一个双阶段机器学习框架，旨在提供更全面、行为敏感的预测工具。研究人员首先从尼日利亚疾病控制中心（NCDC）获取结构化流行病学数据，覆盖了埃多州及其邻州（如阿南布拉州和翁多州）的病例、地理和人口统计信息；同时，他们收集了超过21,000条公开调查响应作为情感数据集。在数据处理阶段，流行病学数据采用标签编码（Label Encoding）、相关性特征消除（Correlation Feature Elimination）和SMOTE（Synthetic Minority Over-sampling Technique）技术来解决类不平衡问题；情感数据则使用TextBlob进行极性评分（划分为积极、中立和消极三类），再通过Count Vectorizer和TF-IDF（Term Frequency-Inverse Document Frequency）进行向量化。在模型训练中，七种监督学习算法（包括Logistic Regression、Decision Tree、Naive Bayes、Random Forest、Gradient Boosting、AdaBoost和K-Nearest Neighbor）被应用于两个阶段，所有模型均通过5-fold分层交叉验证（5-fold Stratified Cross-Validation）来确保鲁棒性。评估指标涵盖多维度指标，如准确度（Accuracy）、Matthews相关系数（MCC）、Cohen's Kappa、平衡准确度（Balanced Accuracy）、对数损失（Log Loss）和ROC曲线下面积（AUC）。最终，研究在《Next Research》上发表，证明了该框架不仅提升了预测精度，还为公共卫生决策提供了动态反馈机制。

Dataset Description
研究人员使用了两个核心数据集：流行病学数据源自NCDC公开仓库，覆盖埃多州及邻近州（如阿南布拉州和翁多州），包含病例数、地理位置和患者人口统计等结构化临床信息；情感数据则来自超过21,000条公众查询响应，通过TextBlob划分为10,534条积极、3,510条消极和7,020条中立情感。

Results
在流行病学预测阶段，七种算法均表现优异，其中AdaBoost在准确度（0.9596）、Kappa（0.9698）和AUC（0.9655）上领先，Gradient Boosting则在Kappa（0.9692）、MCC（0.9674）和AUC（0.9543）上突出，表明集成方法（Ensemble Methods）能有效处理复杂特征；情感分析阶段，Random Forest以最高准确度（0.9718）和AUC（0.9667）成为最优模型，而KNN凭借Kappa（0.9696）、MCC（0.9603）和最低对数损失（0.0）展示了出色的一致性。这些结果证实了情感数据对预测的补充价值——积极情感占比高反映公众认知度良好，但中立和消极情感提示需改进沟