后疫情时代儿科流感预测新策略：基于多源数据融合的系统方法提升医院负担预警能力

《Scientific Reports》：A systems approach for anticipating post-pandemic forecast challenges for pediatric influenza and hospital burden

本研究针对COVID-19大流行后儿科流感预测面临的挑战，开发了一种整合HHS Protect、CDC FluSurv-NET、DOT移动数据和区域住院率的预测模型。通过Facebook Prophet平台结合外生变量，显著提升了马萨诸塞州儿科流感住院预测精度（两周预测RMSE降低15%，MAE降低31%），为医院资源调配提供了重要决策支持。

　　

当COVID-19大流行颠覆了传统呼吸道病毒的传播规律，儿科流感预测陷入了前所未有的困境。医院管理者们发现，以往依赖的季节性流感模式突然失效，面对可能出现的患儿激增，他们如同在迷雾中航行——缺乏精准的预测工具意味着无法提前调配医护人员、准备病床和特殊医疗设备。这种不确定性在儿科医疗领域尤为致命，因为儿童不仅是流感的易感人群，其医疗资源本身就具有高度专用性且缺乏冗余空间。

正是在这样的背景下，由Beth Ellinport领导的研究团队在《Scientific Reports》上发表了创新性研究。他们认识到，传统监测系统如CDC FluSurv-NET（美国疾病控制与预防中心流感住院监测网络）虽能提供实验室确诊的流感病例数据，但存在年龄分层不足、空间分辨率有限以及非流感季节数据缺失等问题。而大流行期间建立的HHS Protect（美国卫生与公众服务部保护数据平台）虽然提供了医院层面的实时运营数据，却存在显著的数据空白期。这些缺陷使得儿科特定的流感预测变得异常困难。

为破解这一难题，研究团队开发了一个结合多源数据的预测框架。他们巧妙地将官方监测数据与行为指标相结合，创建了一个能够捕捉流感传播复杂动态的系统方法。该研究不仅验证了外生变量在改善预测精度方面的价值，更展示了一种可操作的公共卫生决策支持新模式。

主要技术方法包括：利用CDC FluSurv-NET和HHS Protect数据源，通过数学推导计算儿科流感住院估计值；整合U.S. DOT（美国交通部）移动数据作为人群接触行为的代理指标；收集邻近州（新泽西、宾夕法尼亚和特拉华）的住院数据进行区域传播模式分析；采用Facebook Prophet时间序列预测平台，结合傅里叶级数处理季节性成分，并引入学校假期等特殊事件回归变量。

数据预处理与模型构建

面对数据缺失的挑战，研究团队采用了系统的预处理策略。对于HHS Protect中因低计数（1-4）而被抑制的值，他们使用中位数插补法进行处理。对于随机缺失的数据点，则采用前向填充技术（即将已知的最后观测值向前填充），确保时间连续性。CDC FluSurv-NET在非流感季节（第18-39周）缺乏数据的问题，则通过零插补解决，假设这些期间流感活动极低。

研究团队选择Facebook Prophet作为预测平台，这是考虑到该工具在处理复杂时间序列模式方面的优势。Prophet采用分段恒定增长率模拟基础趋势，能够捕捉疾病传播中的突然变化和非线性趋势。模型通过傅里叶系列处理周期性成分，包括周、月和年季节性。此外，学校假期和公共假日被编码为特殊事件回归变量，使模型能够解释这些时期住院率的短期波动。

模型训练采用了一种非常规但实用的数据分割方法——交替选择数据点，确保训练集和测试集都包含疫情前、中、后各个关键时期的数据。这种策略保证了模型能够学习到各种时间模式，提高泛化能力。参数估计使用Stan的L-BFGS优化算法（一种拟牛顿优化算法），通过交叉验证确定最佳模型配置。

基线模型性能分析

基线模型仅使用主要流感住院数据，其表现揭示了基础预测的局限性。两周预测的均方根误差(Root Mean Square Error, RMSE)为60.38例住院，平均绝对误差(Mean Absolute Error, MAE)为46.70例，覆盖率（观测值落在预测区间内的比例）仅为37%。这些指标表明模型存在较大的预测不确定性，且可能低估了医院负荷的变异程度。

特别是在流感季节初期低活动期，预测区间经常无法捕捉到观测值，有时甚至产生负值，需要零插补校正。这一现象暴露了传统时间序列模型在处理稀疏事件或极低频率活动时的局限性。尽管经过季节性微调，基线模型在捕捉儿科流感住院的动态变化方面仍显不足。

外生变量集成与敏感性分析

为提升预测精度，研究团队系统性地引入了一系列外生变量，并进行了细致的敏感性分析。结果显示，不同变量组合对模型性能的改善程度各异。单独使用流感季节二元指示器反而使性能下降（RMSE增加2%），而DOT旅行指标则带来轻微改善（RMSE降低1%，MAE降低9%）。最具影响力的单个变量是邻近州住院数据，使RMSE降低11%，MAE降低20%。

然而，最大的改善来自变量组合。DOT移动数据与邻近州住院数据的结合产生了最佳效果：RMSE降低至51.07例（改善15%），MAE降至32.40例（改善31%），覆盖率提升至52%（改善41%）。这一组合显著优于其他任何变量组合，甚至优于包含所有变量的模型。

这种性能提升在操作层面具有重要意义。在流感季节高峰期，儿科住院数通常在100-250例之间波动，MAE从46.70降至32.40意味着预测偏差减少了约13-32%。对于医院管理者而言，这种精度的提升可以直接转化为更准确的资源规划决策。

增强模型的时间序列图显示，预测值与观测值之间的吻合度显著提高，特别是在疾病高峰期。预测区间变窄反映了预测置信度的提升，模型成功捕捉到了基线模型遗漏的住院率突然变化。这种改进在两周预测窗口尤其明显，使其更符合实际医院规划的时间需求。

讨论与意义

本研究通过将行为指标和区域传播模式纳入预测框架，有效解决了后疫情时代儿科流感预测的挑战。DOT移动数据作为人群接触的代理指标，能够捕捉节假日和学校假期等关键时期的行为变化，而这些时期通常与流感传播加速相关。邻近州住院数据则提供了区域性传播的早期信号，使下游医院能够提前准备。

该方法突出了公开可用、高分辨率数据集在应用公共卫生预测中的价值。尽管这些数据源存在不完美之处，但经过适当的结构化、清理和整合后，它们提供了足够的信号来支持实际干预措施。虽然研究依赖数据插补来处理缺失值，但这种预处理并未损害模型的操作价值。

从方法论角度看，Prophet框架的灵活性使得外生变量的集成变得直观且可解释。模型能够分解趋势、季节性和特殊事件效应，为决策者提供透明的预测依据。这种可解释性在医疗环境中尤为重要，因为决策者需要理解预测背后的逻辑才能放心地依据预测结果采取行动。

研究的实际意义体现在其与医院操作时间线的对齐上。两周预测窗口平衡了预测精度和提前期，使医院管理者有足够时间调整人员配置、准备应急病区和协调供应链。对于儿科专科医院而言，这种预测能力尤为宝贵，因为儿科医疗资源往往更加专业化且缺乏冗余。

结论与展望

本研究开发的数据驱动预测方法，通过战略性地整合外生变量，显著提升了儿科流感住院负担的预测能力。增强模型在减少误差和提高可靠性方面的表现，使其成为医院管理员的有价值工具，特别是在资源受限的儿科护理网络中。

未来，这一方法可扩展至其他州或适应其他呼吸道病毒，尤其是当RSV（呼吸道合胞病毒）和SARS-CoV-2（严重急性呼吸综合征冠状病毒2）与季节性流感共同传播时，对容量规划的挑战日益增加。建立一个整合行为、空间和环境指标的模块化框架，对于构建弹性、响应迅速的公共卫生系统至关重要。

持续投资于精细化监测基础设施和跨学科预测方法，将是改善健康结局和维持儿科护理环境操作准备状态的关键。随着公共卫生系统从COVID-19大流行中汲取经验，这种能够将理论流行病学建模与实际医疗决策连接起来的方法，将变得越来越重要。

最终，这项研究不仅提供了一种改进的预测工具，更重要的是展示了一种新的公共卫生决策支持范式——在这种范式中，实时数据、行为指标和区域背景被无缝整合，共同为保护最脆弱人群的健康提供科学依据。