基于气象数据与深度神经网络的RSV流行起始预测研究及其临床干预意义

日本研究人员针对呼吸道合胞病毒(RSV)季节性流行预测难题，创新性整合气象数据与机器学习算法(DNN/XGBoost/SVM)，构建3周前瞻预测模型（F1=0.71）。该研究首次实现多行政区早期预警，为儿童免疫预防药物(palivizumab)精准给药提供决策支持，发表于《Informatics in Medicine Unlocked》。

　　

呼吸道合胞病毒(RSV)是全球婴幼儿住院的首要病原体，几乎所有儿童在2岁前都会感染。这种病毒不仅导致毛细支气管炎和肺炎，更对早产儿、先天性心脏病患儿等高危人群构成生命威胁。尽管2023年RSV疫苗(GSK Arexvy/Pfizer Abrysvo)获批，但其适用人群仅限于老年人和孕妇，儿童仍需依赖每月注射的免疫预防药物帕利珠单抗(palivizumab)——这种药物需要在流行季连续使用5个月才能发挥最佳效果。然而近年来，日本RSV流行季出现反常变化：传统冬季流行模式逐渐转变为夏季爆发，使得精准预测变得愈发困难。

面对这一挑战，来自日本的研究团队在《Informatics in Medicine Unlocked》发表创新研究。他们独辟蹊径地利用气象数据与人工智能技术，开发出能够提前3周预测RSV流行起始的深度学习模型。该研究整合了2012-2023年间日本国立感染症研究所的周报病例数据与气象厅的每日气象参数（温度、蒸气压、日照时长、降水量），通过构建二分类任务（传播/非传播状态），系统比较了支持向量机(SVM)、XGBoost和深度神经网络(DNN)的预测效能。

研究采用三大关键技术：1) 基于日本47个都道府县（除埼玉县）的跨区域流行病学数据整合；2) 创新性定义"传播梯度"指标g_i=(v_i-v_i-1)/v_i-1，当连续两周梯度>1.05时判定为流行起始；3) 采用20×20×20×1结构的DNN架构，以Leaky ReLU为隐藏层激活函数，输出层使用Sigmoid函数计算传播概率。

【结果】
3.1 模型比较
DNN在东京地区的预测中表现最优，综合F1分数达0.71，召回率(recall)高达0.83。气象特征组合分析显示，同时包含均值、最大值和最小值的数据集预测效果最佳。

3.2 时空预测特征
模型能提前4周捕捉到2018年4-5月、2019年5-6月的RSV流行前兆。概率输出曲线与真实流行期高度吻合，在非流行期则保持接近零值。

3.3 地理差异
全国范围测试揭示北方地区（如北海道F1=0.46）预测准确度较低，可能与寒冷气候下RSV传播机制复杂化有关。采用全日本数据训练的模型(Case 2)平均F1达0.726，较单地区训练(Case 1)提升4.2%。

【讨论与结论】
该研究首次证明气象数据可用于构建RSV流行起始的全国性预警系统。DNN模型展现的早期预测能力（尤其3周前瞻期）为临床干预赢得宝贵时间窗口，有望优化palivizumab给药方案。研究同时发现最大温度值较均值更具预测价值，这为后续机制研究提供新方向。值得注意的是，北方地区预测效能下降提示需纳入更多社会人口学因素。

这项工作的突破性在于将机器学习应用于跨学科的公共卫生难题，其方法论可扩展至其他气候敏感型传染病。作者建议未来研究应结合ARIMA时间序列分析，并探索气象参数与免疫功能的生物学机制。随着全球气候模式变化导致传染病流行规律改变，此类预测模型的价值将日益凸显。

（注：研究团队包含Miya Nishio、Kazuo Yonekura等作者，获JSPS科研费JP23K13239资助）