基于深度学习预测埃塞俄比亚结核病流行趋势：从1990-2021年全球疾病负担数据看可持续发展目标的实现路径

《BMC Infectious Diseases》：Forecasting tuberculosis in Ethiopia using deep learning: progress toward sustainable development goal evidence from global burden of disease 1990–2021

本研究针对埃塞俄比亚结核病防控需求，创新性地采用LSTM和ARIMA混合模型分析1990-2021年全球疾病负担数据，发现多步LSTM模型预测精度最优（MAE:5.53），预测2030年发病率将降至179/10万，但距WHO"终止结核"战略目标仍有差距，为优化防控策略提供了关键数据支持。

　　

结核病(TB)作为由结核分枝杆菌(Mycobacterium tuberculosis)引起的传染性疾病，至今仍是全球传染病死亡的第二大杀手。在埃塞俄比亚这个高负担国家，结核病更是位列死亡原因前三甲，仅次于疟疾。尽管WHO提出了雄心勃勃的"终止结核"战略——计划到2030年将结核病死亡率和发病率分别降低95%和90%，但COVID-19大流行导致的诊疗中断、耐药结核(MDR-TB)的蔓延以及医疗资源分配不均等问题，使得这一目标的实现面临严峻挑战。特别是在埃塞俄比亚，结核-HIV共感染死亡率高达4%，如何准确预测疫情发展趋势并制定精准防控策略成为当务之急。

来自萨马拉大学和贡达尔大学的研究团队创新性地将深度学习技术引入结核病预测领域。他们基于全球疾病负担(GBD)1990-2021年的历史数据，系统比较了ARIMA、LSTM、多步LSTM和ARIMA+LSTM混合模型的预测性能，最终发表在《BMC Infectious Diseases》的研究成果为埃塞俄比亚实现可持续发展目标(SDG)提供了重要决策依据。

研究团队主要采用了四种关键技术方法：1）使用GBD数据库获取1990-2021年埃塞俄比亚结核病发病率时间序列数据；2）通过ADF检验和滚动统计量分析数据平稳性；3）构建ARIMA(1,1,0)模型作为基准；4）开发具有双LSTM层（各50个单元）的多步LSTM模型，采用10折时间序列交叉验证优化参数。所有模型均通过MAE、RMSE、MAPE和sMAPE四项指标进行性能评估。

【背景】部分揭示了埃塞俄比亚结核病防控的严峻形势。数据显示该国结核病发病率虽从1990年的466.93/10万降至2021年的185.53/10万，但距2030年目标（基于2015年基线192/10万计算需降至19/10万）仍有巨大差距。研究特别指出，HIV感染者罹患结核病的风险是普通人群的18倍，而MDR-TB发病率高达5.8/1000，这些高危因素加剧了防控难度。

【方法】部分详细阐述了模型构建过程。通过滚动均值和标准差分析确认数据非平稳性（ADF检验p=0.52），经一阶差分处理后建立ARIMA(1,1,0)模型。LSTM模型采用滑动窗口（窗口大小=4）和ReLU激活函数，而创新的多步LSTM直接输出未来9年预测值。混合模型则尝试整合ARIMA的线性特征提取和LSTM的非线性建模优势。

【结果】部分显示多步LSTM以绝对优势胜出（MAE:5.53，MAPE:2.72%），其预测表明埃塞俄比亚结核病发病率将在2025年降至189/10万，2030年进一步降至179/10万。相比之下，传统ARIMA模型表现最差（MAE:15.97），而混合模型（MAE:13.98）也未能超越单一多步LSTM。值得注意的是，所有模型的远期预测均显示埃塞俄比亚难以实现WHO设定的2030年目标。

【讨论】部分深入分析了研究发现的意义。研究证实了LSTM在复杂时间序列预测中的优越性，这与Siami-Namini等学者的结论一致。作者Zinabu Bekele Tadesse等指出，政治动荡、COVID-19冲击以及医疗资源不足是阻碍目标实现的关键因素。他们建议借鉴WHO框架，在高风险人群中加强主动筛查和潜伏感染(LTBI)管理，同时优化MDR-TB防治体系。

该研究的创新价值体现在三方面：首次在埃塞俄比亚结核病预测中系统比较多种深度学习模型；证实多步LSTM在流行病预测中的卓越性能；为评估SDG 3.3目标进展提供了量化工具。局限性在于仅使用单变量时间序列数据，未来研究可纳入社会经济等协变量提升预测精度。这项研究为高负担国家制定结核病防控策略提供了方法论示范和数据支撑，对实现全球终止结核目标具有重要指导意义。