基于机器学习和深度学习的印度尼西亚疟疾风险动态评估框架及防控策略优化

本研究针对印度尼西亚疟疾防控需求，创新性整合GTB、CART、RF等机器学习算法与MLP深度学习模型，构建包含易感性（MSI）、脆弱性（MVI）和应对能力（MCI）的三维风险评估体系。研究发现38%国土属高易感区域，65%存在人口脆弱性，34%医疗资源匮乏，最终锁定88个高风险城市并制定GRDP导向的精准防控策略，为热带地区传染病防控提供可扩展的GEO AI范式。

　　

在热带地区传染病防控领域，疟疾仍是威胁全球健康的重大挑战。印度尼西亚作为疟疾流行区，2017年报告26万确诊病例和47例死亡，但传统防控面临医疗资源配置不均、气候变暖加剧传播、脆弱人群识别不准等痛点。尤其值得关注的是，儿童占死亡病例三分之二，而快速城市化与土地利用变化正重塑疾病传播格局。现有研究多依赖静态模型，难以捕捉环境与社会的动态交互，这促使Anjar Dimara Sakti团队开展这项融合多维度数据的创新研究。

研究人员采用机器学习与深度学习协同框架，整合2000-2010年疟疾地图计划数据与2021年印尼统计局病例记录。关键技术包括：1）运用GTB、CART、RF算法构建易感性模型，分析LST（地表温度）、NDVI（归一化植被指数）等9项环境参数；2）开发MLP深度学习网络处理非线性关系；3）基于Dijkstra算法优化医疗设施网络；4）结合GRDP（地区生产总值）数据建立优先级模型。研究覆盖印尼497个城市，纳入15,799个医疗设施空间数据。

研究结果方面：

1. 1.

   机器学习疟疾易感性建模

   CART、GTB、RF模型显示38%国土属高易感区，中加里曼丹省98,235 km²（64%）风险最高。GTB模型AUC达0.902，降水（0.7相关性）和风速是关键变量，而LULC（土地利用）影响最小。

2. 2.

   深度学习易感性分析

   MLP模型识别出MSI>0.85的高危带，如中巴布亚省米米卡地区。模型准确率71.79%，AUC 0.80，揭示东部沿海低地为持续热点。

3. 3.

   风险优先级划定

   整合脆弱性（年龄/性别比）和医疗可及性指标后，88个城市被列为高风险区。其中60个低GRDP城市如Keerom、Fakfak需优先干预，医疗设施缺口达4,289个。

4. 4.

   防控策略验证

   2021年病例数据验证显示，Mamberamo Raya地区风险指数0.84对应930病例，而26个零报告城市指数>0.9，暴露监测盲区。

结论与讨论：

该研究首创"环境易感-人口脆弱-医疗能力"三维评估体系，突破传统单一时空维度限制。创新点包括：1）揭示Kalimantan和Papua为持续高风险区；2）开发可解释的变量重要性排序（降水权重最高）；3）提出GRDP导向的精准干预路径。尽管存在年度数据均值化的局限，但构建的500米分辨率模型已应用于印尼国家疟疾计划，其方法论对登革热等病媒传播疾病具有移植价值。论文发表于《International Journal of Applied Earth Observation and Geoinformation》，为可持续发展目标（SDG 3）中的疾病防控目标提供关键技术支撑。