全球登革热短期预测的集成模型研究：提升疫情预警精准度的创新策略

来自全球多国的研究人员针对登革热（Dengue fever）疫情预测的难题，开发了融合机制模型、统计方法与机器学习（machine learning）的集成建模（ensemble modeling）体系。该研究在巴西、哥伦比亚等180余个地区开展回溯性与实时前瞻性验证，证实集成方法能稳定保持预测性能前3名，尤其在流行病期和数据延迟场景下表现优异，为公共卫生决策提供了更可靠的1-3个月预警工具。

　　

登革热（Dengue）作为一种热带虫媒传染病，已成为亚洲和拉丁美洲地区住院及死亡的主要诱因。当监测系统及时响应时，决策者能更高效调配公共卫生资源。本研究创新性地将机制模型、统计分析和机器学习（ML）技术整合，构建出可提前1-3个月预测省级登革热病例的集成（ensemble）系统。

研究团队在全球范围内展开大规模验证，覆盖巴西、哥伦比亚、马来西亚等国的180多个地区，并特别关注秘鲁伊基托斯和波多黎各圣胡安等典型疫区。通过2-3年的回溯测试及2022-2023年前瞻性平台验证发现：单一模型在不同时空场景下表现波动显著，而集成方法始终稳居性能前三甲。这种策略在疫情暴发期对本地传播动态的捕捉尤为精准，即使面对数据报告延迟或缺失的挑战仍保持稳健。

该成果标志着登革热预测技术的重大突破——通过智能融合多模型优势，在不确定性中为医疗资源预判和防控部署提供了更可靠的科学依据。正如研究者强调：虽然没有任何单一模型能通吃所有场景，但集成框架就像"预测梦之队"，始终确保着预警系统的底线性能。