编辑推荐：
在巴基斯坦开伯尔 - 普赫图赫瓦省（KP），利什曼病感染流行率上升，预测面临挑战。研究人员利用混合 ANN-XGBoost 模型评估 4 个高流行区的感染情况并预测未来发病率。结果显示该模型预测准确性高，预计 2025 年 12 月每月新增 1017 例。这为疾病防控提供依据。
在巴基斯坦的开伯尔 - 普赫图赫瓦省（KP），利什曼病就像一个隐藏在暗处的 “健康杀手”，悄无声息地威胁着当地民众的健康。利什曼病是由被感染的雌性白蛉叮咬传播的，其致病原是原生动物寄生虫。这种疾病有三种不同的表现形式，分别是内脏利什曼病（VL）、皮肤利什曼病（CL）和黏膜皮肤利什曼病（ML）。全球有超过 10 亿人生活在利什曼病流行地区，时刻面临着感染风险，每年都有大量新发病例。
在巴基斯坦，利什曼病尤其是皮肤利什曼病，给当地民众带来了沉重的健康负担。在 KP 地区，频繁的疫情爆发让人们苦不堪言，最严重的一次疫情导致约 28000 例病例。该地区人口流动大，大量难民涌入，进一步加剧了疾病的传播。尽管此前有不少关于利什曼病的研究，但针对 KP 地区利什曼病预测的研究却存在很大空白，缺乏利用先进机器学习技术对该地区疾病发病率进行全面建模的研究，这使得人们对其流行病学的了解十分有限。
为了填补这一空白，深圳大学的研究人员开展了一项极具意义的研究。他们运用一种新型的混合人工神经网络 - 极端梯度提升（ANN-XGBoost）模型，对从 KP 地区相关卫生部门获取的数据进行了深入分析。研究结果令人眼前一亮，该混合模型在预测利什曼病发病率方面表现卓越，其平均绝对误差（MAE）为 82.2，均方根误差（RMSE）为 111.6，平均绝对百分比误差（MAPE）为 10.6 ，显著优于自回归积分滑动平均模型（ARIMA）、长短期记忆网络（LSTM）、单一人工神经网络（ANN）和极端梯度提升（XGBoost）等常用模型。研究还预测，到 2025 年 12 月，每月预计会出现约 1017 例新的利什曼病病例。
这项研究成果意义重大，它发表在《Acta Tropica》上，为公共卫生机构提供了极具价值的预测信息，有助于提前预测疫情爆发，合理优化资源配置，有针对性地开展干预措施，从而更好地控制利什曼病在 KP 地区的传播，为当地民众的健康保驾护航。
在研究方法上，研究人员主要利用 Python 3.11 软件构建模型。数据来源于 KP 省相关地区卫生部门在综合疾病应对系统（IDRS）下收集的利什曼病病例数据。研究人员运用混合 ANN-XGBoost 模型，并与 ARIMA、LSTM、单一 ANN 和 XGBoost 等模型对比，通过多种指标如 MAE、RMSE 和 MAPE 评估模型性能。
研究结果：
- 发病率分析：对 2019 - 2023 年 Bannu（BNU）、Lakki Marwat（LM）、Dera Ismail Khan（DIK）和 Karak 地区的利什曼病发病率分析发现，各地区每年发病情况差异显著。Karak 地区的发病率在 2021 - 2022 年达到高峰，分别为 4896 例和 6592 例，2023 年降至 5407 例；BNU 地区在 2021 年病例数有所增加，达到 527 例。
- 模型性能评估：通过对比多种模型，混合 ANN - XGBoost 模型展现出最优的预测性能，其 MAE、RMSE 和 MAPE 指标均优于其他模型，证明了该模型在处理复杂流行病学数据时具有更强的预测能力。
- 未来发病率预测：根据混合 ANN - XGBoost 模型预测，到 2025 年 12 月，每月预计会出现约 1017 例新的利什曼病病例，为疾病防控提供了重要的前瞻性信息。
研究结论和讨论：混合 ANN-XGBoost 模型在预测利什曼病发病率方面表现出色，能够有效识别导致发病率上升的关键因素。该研究为 KP 地区利什曼病的监测和干预提供了有价值的参考，有助于政策制定者优化资源分配，制定更具针对性的防控措施。不过，研究也存在一定局限性，数据的质量和完整性会影响模型的预测准确性。后续研究可纳入更多环境和社会经济变量，进一步完善预测模型，为利什曼病的防控提供更有力的支持。总之，这项研究为应对利什曼病这一全球性公共卫生问题提供了新的思路和方法，具有重要的理论和实践意义。
