编辑推荐：
在人、动物和环境健康紧密相连的当下，疾病监测意义重大。研究人员对比 2008 - 2022 年美国宠物保险理赔数据与人类疾病数据，发现莱姆病、贾第虫病和谷热（球孢子菌病）在人和狗中的发病趋势相似，且加入狗数据能提升疾病预测模型效果，对公共卫生意义重大。
在当今这个高度互联的世界，人类、动物和环境的健康息息相关。许多传染病可以在人和动物之间传播，然而现有的疾病监测和预测方法存在不少问题。就拿莱姆病（Lyme disease）来说，它由伯氏疏螺旋体（Borrelia burgdorferi）细菌引起，通过蜱虫传播。在美国，莱姆病误诊率较高，这不仅导致患者长期患病，甚至可能引发致命的莱姆心肌炎（Lyme carditis）。贾第虫病（Giardiasis）是由原生动物寄生虫引起的腹泻疾病，人和狗感染的类型有所不同，但都在幼儿和幼犬中更为常见。谷热（Valley Fever，即球孢子菌病 Coccidioidomycosis）则是由吸入球孢子菌的孢子引发，在人和狗中症状相似且常被误诊。土壤传播蠕虫病（Soil - transmitted helminths）虽被认为在美国罕见，但仍有感染的情况存在，而且由于缺乏近期数据，难以进行监测。这些疾病的监测难题，使得早期发现和防控变得困难重重，所以迫切需要新的疾病检测和预测方法。
为了解决这些问题，弗吉尼亚 - 马里兰兽医学院（Virginia - Maryland College of Veterinary Medicine）、Fetch Insurance Services, LLC 以及 Spryfox GmbH 的研究人员开展了一项研究。他们从宠物保险数据入手，试图探究其在疾病预测方面的潜力。研究人员收集了 2008 年至 2022 年 Fetch, Inc. 在美国 50 个州和加拿大 12 个省（不包括魁北克）的宠物保险理赔数据，同时从美国疾病控制与预防中心（CDC）网站获取人类疾病数据，对比分析了莱姆病、贾第虫病、谷热在人和狗之间的发病情况，并研究了狗肠道寄生虫的诊断情况。
研究人员主要采用了数据统计分析和建模的方法。在数据处理方面，对宠物保险数据按州、年、月进行分类统计，计算发病率；对于人类疾病数据，从 CDC 网站获取并进行整理。在建模过程中，运用 R 语言中的 “caret” 和 “metrics” 包，构建了仅含人类数据的模型和加入狗数据的模型，通过五折交叉验证评估模型效果，比较平均绝对误差（MAE）来判断模型的优劣。
研究结果主要分为以下几个方面：
- 宠物群体和诊断数据：在 2008 - 2022 年期间，共有 1,743,709 只独特的狗被纳入研究，代表了 1,254,522.5 狗年。在感染性疾病诊断中，蜱传疾病占 21%，贾第虫病占 37%，真菌病占 15%，肠道寄生虫病占 26%。从年龄分布来看，幼犬更容易感染贾第虫病和肠道寄生虫病，年轻成年犬则更容易感染蜱传疾病和真菌病。在品种方面，纯种狗和混血狗在疾病诊断上没有明显差异12。
- 与人类疾病趋势的比较：莱姆病方面，狗的发病率约为人类的 44 倍，狗的发病季节更长，地理分布上在部分相邻州发病率高于人类，且狗的发病率变化比人类早 1 - 2 年。贾第虫病中，人和狗的发病趋势相似，都在某些年份出现高峰和低谷，狗在春季发病率最高，人在八月达到高峰，地理分布也相似。谷热的地理分布在人和狗中几乎相同，发病趋势线也相互匹配。肠道寄生虫方面，狗的发病率在纽约、新泽西等州较高，总体呈下降趋势，夏季发病率较高，但因缺乏人类近期数据，无法直接对比345。
- 机器学习：加入狗发病率数据后，所有疾病模型的平均绝对误差都有所降低，这表明狗数据能够提升模型的预测能力。
研究结论和讨论部分指出，尽管研究使用的宠物保险数据存在一定局限性，比如受宠物主人经济状况和地域的影响，部分病例可能漏报等，但初步看来，它在监测至少三种人犬共患疾病方面非常有用。通过监测宠物保险数据，有望提前发现疾病高发期，为公共卫生部门提供预警，以便提前规划资金用于疾病防控和宣传教育。此外，Fetch 宠物保险现有的机器学习算法若能重新调整，用于群体层面的疾病预测，将更快速地检测疾病的出现和复发，对保障人类和动物健康意义重大。这项研究为疾病监测和预测开辟了新的途径，为公共卫生领域提供了重要的参考依据，也为后续进一步研究奠定了基础。
