《International Journal of Environmental Research and Public Health》：Integrating Surveillance and Stakeholder Insights to Predict Influenza Epidemics: A Bayesian Network Study in Queensland, Australia
编辑推荐：
本研究创新性地构建了贝叶斯网络（BN）模型，整合国际与本地流感监测数据、气候变量、人口统计学特征及专家知识，量化评估澳大利亚昆士兰州流感 epidemics 的发生概率。模型展现出良好的判别性能（AUC = 0.6974，准确率70%），并通过情景分析揭示入境旅客数量、全球流感季节严重性及人口密度为关键风险驱动因素。该BN框架为公共卫生决策者提供了透明、可解释的风险评估工具，支持在不确定性环境下进行针对性干预策略规划。
引言：季节性流感作为由甲型和乙型流感病毒引起的急性呼吸道感染，每年引发流行并偶发大流行，对全球公共卫生构成持续挑战。世界卫生组织（WHO）估计，全球每年约有300-500万重症病例及29-65万呼吸道死亡与季节性流感相关。在昆士兰州这类亚热带地区，流感传播模式与温带地区存在显著差异，其流行高峰常与雨季重合，且季节模式不如温带地区明显，可能呈现多峰或无明确季节性特征。除气候因素外，社会接触模式、人口流动（如国际航空旅行）及干预措施（如学校假期）均显著影响病毒传播动力学。传统预测模型如时间序列模型（ARIMA）、机制模型（SEIR）等虽各具优势，但在处理不确定性、整合多源异构数据及提供可解释因果推理方面存在局限。贝叶斯网络（BN）作为一种概率图模型，能够通过有向无环图（DAG）直观展示变量间的条件依赖关系，并利用条件概率表（CPT）量化不确定性，特别适合处理复杂、多因素交互的公共卫生问题。本研究旨在开发一个BN模型，整合监测数据、环境指标与专家知识，以提升昆士兰州流感流行的预测能力，为公共卫生 preparedness 提供决策支持。
材料与方法：研究利用2011-2020年间的真实观测数据，包括昆士兰卫生部门提供的流感通报数据、WHO FluNet 的病毒循环数据、澳大利亚气象局的气候数据（温度、湿度、降雨量）及澳大利亚统计局的人口与旅行数据。流感流行的定义为“观测季节累计通报数超过2011-2015年基线平均值10%”。BN模型的开发遵循既定框架，包括目标定义、概念建模、网络构建、模型评估与情景分析五个步骤。变量选择基于文献综述、监测系统需求及多轮利益相关者研讨会（涉及流行病学家、传染病医师、气候科学家等），连续变量（如温度、湿度）依据实证研究进行离散化处理。模型结构通过文献回顾与专家研讨迭代确定，条件概率表（CPT）则通过专家小组的两轮共识法进行 elicitation，并进行逻辑一致性校验。模型性能通过“Test Only”验证方法评估，输出指标包括准确率、混淆矩阵、ROC曲线（AUC值）及敏感性分析（Tornado图）。情景分析通过设置节点“硬证据”模拟极端条件，评估其对流行概率的影响。
结果：所构建的贝叶斯网络以“流感流行”为核心节点，其概率受全球流感季节严重性、公共卫生干预措施（如口罩令、旅行限制）、季节模式（3-5月、6-8月、9-11月、12-2月）、环境气候条件（温度、湿度、降雨量、气候变化RCP 2.6场景）、地理人口因素（昆士兰东南部SEQ、中部、北部地区）、病毒学与宿主因素（病毒类型、年龄、性别、共循环病原体如COVID-19、RSV）及人群免疫力等多维度变量影响。基线情景下，流感流行概率为50.7%（高）与49.3%（低）。情景分析显示，在极端条件组合下（如全球流感季节严重、峰值季节6-8月、无控制措施、高入境旅客量、东南亚病毒来源、低免疫覆盖率），流行概率显著升高至86%。敏感性分析表明，入境旅客数量是影响流行概率的最强个体预测因子，其次为全球流感季节严重性与长季节持续时间组合，以及SEQ地区的人口密度。模型回顾性验证准确识别了2015、2017、2019年三个 documented 流行期，流行概率均高于65%。模型整体判别性能良好，AUC值为0.6974，准确率达70%。
讨论：本研究成功构建了一个集成多源数据的BN模型，能够有效量化昆士兰州流感流行风险。关键发现包括：SEQ地区在峰值季节、高人口密度及严重全球流感活动下风险最高；入境旅行是核心驱动因素，凸显旅行相关政策的重要性；疫苗接种与非药物干预（NPIs）具有显著保护效应；东南亚病毒来源及长季节持续时间加剧流行风险；气候变量（低温、低湿）及共循环病原体（如RSV、COVID-19）进一步复杂化流行 dynamics。BN模型的优势在于其透明性、能力处理不确定性及支持双向推理（预测与诊断），便于公共卫生从业者探索“what-if”情景，优化资源分配。然而，模型为静态结构，未显式捕捉 temporal autocorrelation 或传播链动态；CPT依赖专家 elicitation 可能引入主观偏差；历史训练数据有限（仅三个主要流行期）。未来研究方向包括开发动态贝叶斯网络（DBN）以整合时间序列特征、探索病毒间相互作用、融入高分辨率移动性数据，并评估模型在其他地区或病原体（如RSV、COVID-19）的适用性。
结论：贝叶斯网络模型为昆士兰州流感流行风险评估提供了一个灵活、可解释的决策支持工具，能够整合监测、气候、人口及专家知识，在不确定性环境下量化流行概率。模型验证显示其具有良好的判别性能与实用价值，关键风险因素如旅行量、免疫覆盖率及季节特性为针对性干预提供了科学依据。该框架可扩展至其他呼吸道病原体及地区，有助于构建适应气候变化与新发传染病的韧性公共卫生系统。
