基于层次分析法与统计验证的疟疾模型贝叶斯先验分布构建研究

本研究针对流行病学中主观贝叶斯方法应用不足的问题，开发了一种结合层次分析法（AHP）与统计验证的先验分布构建框架。研究人员通过问卷收集疟疾传播环境因素的专家知识，将其量化为AHP权重后拟合概率分布，发现Beta、Gamma和正态分布最适合作为贝叶斯模型的先验分布。该方法简化了传统先验提取流程，为传染病建模提供了高效的知识整合工具。

　　

疟疾作为全球重大公共卫生威胁，其传播机制受气候和环境因素复杂影响。尽管统计流行病学方法不断发展，但如何有效整合专家知识构建精准模型仍是难题。传统贝叶斯先验提取方法如Sheffield流程存在资源消耗大、专家共识难达成等局限，而客观先验分布又难以体现领域特异性知识。这一矛盾促使研究者探索更高效的先验知识量化方法。

南非Turfloop研究伦理委员会批准的研究团队提出创新解决方案，通过整合层次分析法（Analytic Hierarchy Process, AHP）与统计验证技术，将专家知识转化为概率分布。研究聚焦南非疟疾流行区，筛选46位具有当地建模经验的专家（最终4位参与），采用问卷收集其对温度（MaxT/MinT）、植被指数（NDVI）和降雨量（Rain）等环境因素相对重要性的成对比较数据。

关键技术包括：（1）基于Saaty量表的专家问卷设计，量化环境因素在低、中、高三种强度水平下的相对重要性；（2）使用SpiceLogic AHP软件聚合专家判断矩阵，计算归一化权重；（3）通过R软件将权重拟合至Beta、Dirichlet、Gamma等分布，采用Kolmogorov-Smirnov和Cramér-von Mises检验评估拟合优度；（4）构建负二项贝叶斯模型验证先验分布适用性。

研究结果显示：

1. 专家知识特征：专家个体判断存在差异，如Expert 1认为日间最高温（MaxT）在低强度条件下最关键（权重0.270），而Expert 4更关注中强度降雨（权重0.190）。
2. 聚合分析：整体上MaxT（0.287）与降雨（0.283）被列为最主要驱动因素，夜间最低温（MinT）影响最小（0.214）。高气候强度下MaxT权重升至0.134，而降雨在低/中强度下更显著。
3. 分布拟合：Gamma分布（α=37.585, β=150）在KS检验中表现最佳（p=0.771），Beta（α=27.95, β=83.96）和正态分布（μ=0.250, σ=0.041）次之。Dirichlet分布因无法构建传统CDF而未通过CvM检验。
4. 模型验证：模拟数据与经验权重对比显示，Gamma和Beta分布能较好捕捉专家知识特征，而均匀分布拟合效果差。

结论与意义：
该研究首创的AHP-统计验证框架有效解决了传统先验提取方法的高成本、高复杂度问题。通过将专家知识转化为Gamma、Beta等概率分布，为疟疾传播的贝叶斯建模提供了信息量丰富的先验参数。相比客观先验，该方法构建的模型能更好反映区域特异性传播机制，如确认日间温度与降雨的核心作用，这与Kleinschmidt等学者部分结论一致，但修正了关于夜间温度主导作用的认知偏差。

研究提出的标准化流程可扩展至其他传染病建模领域，特别适合资源有限的研究场景。未来可通过扩大专家样本、比较不同先验对模型性能的影响进一步验证方法稳健性。论文发表于《Scientific African》，为发展中国家开展数据-知识融合研究提供了范式。