莱姆病空间传播机制解析：基于机器学习的生态变量预测模型揭示宿主与栖息地因素主导美国疫情扩散（2010-2019）

《Parasites & Vectors》：Variables for habitat and vertebrate hosts of Ixodes scapularis are the best ecological predictors of the spatial spread of Lyme disease in the United States (2010–2019)

本研究针对莱姆病（Lyme Disease, LD）在美国持续扩散的公共卫生挑战，通过构建随机森林（Random Forest, RF）机器学习模型，系统评估了气候、栖息地、蜱媒分布及脊椎动物宿主等多元生态变量对县级LD发病率的预测效能。研究发现，毗邻高流行区（增益比0.22）和肩突硬蜱（Ixodes scapularis）存在（增益比0.133）是首要预测因子，而脊椎动物相关变量（如短尾鼩鼱、白尾鹿）对模型整体贡献最大（ReliefF=0.237）。模型曲线下面积（AUC）达0.89，显著提升了LD空间风险预测精度，为制定靶向防控策略提供了科学依据。

　　

莱姆病（Lyme Disease, LD）作为北美最常见的虫媒传染病，每年导致约47.6万例就诊，其发病率在过去几十年间持续上升，主要归因于携带伯氏疏螺旋体（Borrelia burgdorferi sensu lato, Bb）的主要媒介——肩突硬蜱（Ixodes scapularis）的地理扩张。尽管气候变暖、森林破碎化等因素已被证实与蜱媒分布相关，但如何量化多尺度生态变量对LD空间传播的动态影响仍是重大挑战。传统模型往往因变量选择局限或空间异质性难以捕捉全局规律。为此，Kelly等人整合十年间（2010-2019）美国24个州1322个县的CDC监测数据，首次通过机器学习算法系统解析了LD扩散的驱动机制，研究成果发表于《Parasites & Vectors》。

本研究的关键技术方法包括：（1）基于CDC监测数据构建LD发病率分级（0-1例、>1-10例、>10-100例、>100例/10万人口）；（2）整合气候（温度、蒸气压亏缺）、栖息地（森林覆盖度、边缘长度）、蜱媒分布及8种脊椎动物宿主（如白足鼠、白尾鹿）的分布数据；（3）采用随机森林（RF）等5种机器学习算法进行模型训练与验证，通过十折交叉评估性能；（4）利用增益比（Gain Ratio）和ReliefF算法量化变量重要性。

结果

1. 算法性能与模型选择

随机森林（RF）模型在预测LD发病率分级中表现最优，曲线下面积（AUC）达0.89，整体分类准确率79.8%-94.6%。其对高发病率县（>100例/10万人口）的预测精度达93.0%，但对中等发病率县（1-10例/10万人口）的识别能力稍弱（81.6%）。

2. 关键生态变量的识别

毗邻高流行区县市（增益比0.22）和肩突硬蜱存在（增益比0.133）是LD空间扩散的最强个体预测因子。脊椎动物变量集体贡献度最高（ReliefF=0.237），其中短尾鼩鼱（Blarina brevicauda）、山猫（Lynx rufus）和白尾鹿（Odocoileus virginianus）的个体预测力突出。景观变量如森林冠层覆盖度（增益比0.044）和边缘长度（增益比0.028）亦为重要驱动因素。

3. 环境变量与发病率等级的关联

高发病率县（>10例/10万人口）与高森林覆盖度、冠层密度及边缘长度显著相关；气候分析显示，低发病率县（0-1例/10万人口）多位于温暖干燥区域，而高发病率县集中于寒冷湿润地区。春季温度骤升速率（春斜率）在超高发病率县（>100例/10万人口）中最高，提示季节性气候动态对蜱媒生存与传播风险具调控作用。

结论与意义

本研究通过机器学习模型首次揭示：LD的空间传播不仅依赖蜱媒分布，更受脊椎动物宿主群落组成及栖息地结构的深层调控。模型成功捕捉到LD从历史流行区向相邻县市扩散的“邻域效应”，并明确森林破碎化与宿主可及性为风险放大因子。这一框架突破了传统气候中心论的局限，为公共卫生机构提供了高精度风险地图，助力早期预警与资源调配。未来需整合人类行为数据及动态宿主分布，以进一步提升预测时效性与防控靶向性。