基于模糊认知图(ECM)的疟疾暴发风险预测模型构建与验证

《Discover Public Health》：Edsh effects on RMO: development of a fuzzy cognitive map for anticipating the risk of malaria outbreak

本研究针对疟疾暴发预测中数据缺乏和系统复杂性难题，创新性地构建了包含16个概念（15个输入因素，1个输出结果）的模糊认知图(FCM)模型。研究人员通过专家知识整合方法确定了环境、人口、社会经济和人类行为四大类因素间的因果关系网络，采用S型激活函数和递归方程实现了系统动力学模拟。结果表明，该模型能稳定收敛到同一平衡点（疟疾暴发风险值0.69），且与初始条件无关，为缺乏历史数据地区的疟疾早期预警提供了有效工具。

　　

在全球公共卫生领域，疟疾依然是威胁人类健康的重大传染病。传统预测模型严重依赖历史疫情数据和精确的定量关系，但在疾病传播初期或数据匮乏地区，这种依赖往往成为预警系统的"阿喀琉斯之踵"。特别是在气候变化加剧、人口流动频繁的背景下，疟疾传播系统呈现出典型的复杂性特征——多因素交织、非线性作用、因果关系模糊，这使得常规数学模型难以捕捉其动态本质。

正是在这样的背景下，来自达卡大学数学系的Shobha Islam、Md. Kamruijaman和Md. Shahidul Islam团队在《Discover Public Health》上发表了创新性研究。他们另辟蹊径，将软计算技术中的模糊认知图(Fuzzy Cognitive Map, FCM)引入疟疾预测领域，构建了一个能够模拟多因素相互作用的风险评估系统。这种方法的最大优势在于，它不需要大量历史数据，而是通过整合专家知识来构建因果关系网络，特别适合解决"小信息、大系统"的复杂问题。

模糊认知图由Bart Kosko于1986年首次提出，它巧妙地将模糊逻辑与认知地图相结合，既能处理不确定性信息，又能直观表达变量间的因果联系。在医学领域，FCM曾成功应用于COVID-19症状风险评估、登革热预警和HIV症状分析等多个场景，显示出处理复杂生物医学系统的独特价值。

研究方法的核心技术

本研究采用了系统化的FCM构建流程：首先确定了16个关键概念（C1-C16），涵盖温度、湿度、降雨等环境因素，年龄结构、家庭规模等人口特征，教育水平、工作类型等社会经济指标，以及清洁习惯、防蚊措施等行为因素；然后通过5位领域专家确定概念间的23组因果关系；接着采用改进的权重聚合算法整合专家意见，确保权重矩阵的可靠性；最后利用带遗忘因子（c=0.1）的递归方程和S型激活函数进行动态仿真。特别值得关注的是，所有概念均用三角模糊数表示，既符合人类认知习惯，又保证了计算效率。

研究结果分析

概念体系构建

研究人员创新性地将15个风险因素归纳为环境（温度、湿度、降雨量、植被覆盖、积水水体）、人口（平均年龄、家庭规模）、社会经济（教育水平、工作类型、医疗服务、经济状况）和行为习惯（清洁实践、防蚊措施、户外活动、旅行频率）四大维度，形成了完整的疟疾风险影响因素体系。每个因素都被定义为三角模糊数，并给出了具体的隶属函数参数，如"高温"定义为(18,24,28)℃的模糊区间，这种处理方式既符合实际监测中的不确定性，又为后续的模糊推理奠定了基础。

因果关系网络

通过文献支持和专家知识，团队确定了23组关键因果关系。例如，事件1-3确立了温度、湿度、降雨量与疟疾风险的正向关联（权重分别为0.70、0.58、0.67），这与疟蚊繁殖需要温暖潮湿环境的生物学特性完全吻合。事件8、10-13则揭示了教育水平（-0.20）、医疗服务（-0.65）、清洁实践（-0.68）和防蚊措施（-0.63）对风险的抑制作用，体现了社会干预的有效性。特别值得注意的是因素间的级联效应，如事件18显示经济状况改善可通过提升教育水平（权重0.82）间接影响防蚊行为，揭示了社会经济因素的多路径作用机制。

模型动力学特性

仿真结果表明，系统在6-7个迭代步内即可收敛到稳定状态。当输入初始条件（温度0.3、湿度0.3、降雨0.3等）时，疟疾风险值从初始的0.01迅速上升至平衡点0.69。隶属度分析显示，该值在"高风险"模糊集中的隶属度高达0.95，在"中风险"集中仅为0.17，明确提示暴发风险等级。为了验证模型的鲁棒性，团队设置了四组差异显著的初始条件进行测试，发现无论从高风险状态（初始值0.9）还是低风险状态（初始值0.01）出发，系统最终都收敛于同一平衡点，证明了该方法对初始条件不敏感的良好稳定性。

讨论与意义

这项研究的突破性在于首次建立了针对疟疾暴发风险的FCM预测框架，解决了传统模型在数据匮乏场景下的应用瓶颈。与需要大量历史数据的机器学习模型相比，这种基于专家知识的方法在疾病传播初期或监测体系不完善地区具有显著优势。模型中精心设计的因素体系不仅覆盖了经典的环境驱动因素，还纳入了常被忽视的社会行为维度，如教育水平通过多条路径（直接路径C8→C16权重-0.20，间接路径C8→C13→C16复合权重0.63×(-0.63)≈-0.40）对风险产生抑制作用，揭示了综合防控的社会学机制。

从方法论角度看，研究团队对FCM算法进行了重要改进：一是采用带遗忘因子的递归方程（公式4.2），平衡了历史状态与当前影响；二是设计了科学的权重聚合算法，通过设置一致性阈值（ε=0.1）和多数原则确保了专家知识的有效整合。这些改进使得模型既保持了FCM处理不确定性的优势，又增强了实用性和可靠性。

然而，该模型也存在一定局限性。当前权重主要依赖专家经验，未来可结合真实疫情数据对权重矩阵进行优化；因素体系虽然全面，但未考虑蚊虫抗药性、病原体变异等生物学因素；模型尚未进行大规模实地验证，其预测精度需要进一步检验。

这项研究成果为公共卫生决策者提供了实用的预警工具，特别是在缺乏完善监测系统的资源有限地区，只需对16个因素进行快速评估即可获得风险等级判断。此外，该框架具有良好普适性，稍加修改即可应用于登革热、寨卡病毒等其他媒传疾病的预测预警，展现了软计算方法在复杂公共卫生问题中的广阔应用前景。

随着人工智能技术在公共卫生领域的深入应用，这种融合专家知识与计算智能的混合方法将越来越显示出其独特价值。未来研究可探索FCM与机器学习模型的融合，既保持对不确定性的处理能力，又提升预测精度，最终构建更加智能、自适应的传染病预警新范式。