填补预测鸿沟：面向中低收入国家的可扩展实时登革热监测混合预警系统

这篇研究创新性地提出了一种混合架构的登革热早期预警系统（Hybrid EWS），通过整合回顾性流行病学数据与气候变量、数字趋势等实时信号，在机器学习框架下实现了85-90%的预测准确率，将传统EWS的7-14天响应时间缩短至3-5天。该方案为中低收入国家（LMICs）提供了兼顾预测性能与实施可行性的监测新范式。

　　

亮点

传统、现代与混合登革热预警系统的比较分析

过去二十年，登革热预警系统（EWS）已从人工回顾性模式发展为数据驱动的实时预测框架。本节从数据源、预测精度、响应时间等6个维度对比了三类系统：依赖历史数据的传统EWS、基于人工智能（AI）的现代EWS，以及本文提出的混合EWS。

混合预警系统架构设计

为解决预测性能与实施成本的矛盾，我们设计了模块化混合架构（图1）。该系统通过五层结构（数据采集、预处理、特征融合、预测引擎、预警输出）整合传统监测数据与轻量级实时信号，例如用气候数据补偿碎片化报告，或通过移动端行为数据增强空间预警。

案例研究：场景化适配与数据洞察

巴西、马来西亚和越南的案例验证了混合系统的适应性：在巴西，血清阳性率数据校正了漏报问题；马来西亚利用分区气候模型提升预警分辨率；越南则通过数字趋势捕捉了突发性传播热点。

讨论

全球南方的登革热卷土重来暴露了传统EWS的延迟与AI系统的高门槛。混合EWS通过"信号择优"策略——例如仅采用关键气候指标而非全维度物联网数据——在资源受限环境中实现了^85%以上的预测准确率，且硬件成本降低_60%。

结论

混合EWS为LMICs提供了一条平衡预测力与可行性的技术路径：既能规避传统系统的"数据盲区"，又无需依赖高算力基础设施。下一步将探索该框架在寨卡病毒等虫媒传染病中的迁移应用。