《Scientific Reports》：Application of a novel approach for dementia prevalence prediction in Taiwan
编辑推荐：
本研究针对全球老龄化背景下痴呆患病率快速上升的公共卫生挑战，以台湾地区1998-2023年健保数据库的年度痴呆确诊数据为基础，提出了一种新型飞鹅优化算法（FGOA）优化的支持向量回归（SVR）模型FGOASVR。通过与ARIMA、HWETS、LSTM等8种传统及机器学习模型对比，FGOASVR在男女性别组分别取得平均MAPE 3.17%/3.42%和RMSE 0.69/0.96的最优预测精度，证实其能有效捕捉痴呆患病非线性趋势，为公共卫生资源规划提供可靠工具。
随着全球人口老龄化进程加速，痴呆症已成为席卷各国的"灰色海啸"。这种慢性神经退行性疾病不仅侵蚀患者的记忆、判断力和日常生活能力，更对家庭、医疗系统乃至社会经济造成巨大负担。世界卫生组织数据显示，全球痴呆患者已超过5500万，到2050年预计将突破1.39亿，年经济成本超过万亿美元。在老龄化程度突出的台湾地区，65岁以上人口占比超过17%，目前约有31万痴呆患者，预计2041年将突破50万大关。面对这场迫在眉睫的公共卫生危机，精准预测患病趋势成为制定防控策略的关键。
传统预测方法如自回归综合移动平均（ARIMA）和霍尔特-温特斯指数平滑（HWETS）虽被广泛应用，但其线性假设难以捕捉痴呆患病数据的复杂波动。而支持向量回归（SVR）虽能处理非线性关系，却对超参数配置极为敏感。为此，台湾成功大学团队在《Scientific Reports》发表最新研究，创新性地从大雁V形编队飞行现象中汲取灵感，开发出飞鹅优化算法（FGOA），并与SVR结合构建了FGOASVR预测模型。
研究团队利用台湾健保研究数据库（NHIRD）1998-2023年共26年的痴呆确诊数据，按性别和6个年龄组（60-64岁至85岁及以上）分层分析。通过模拟雁群协作的四大机制——团队协作（利用领航雁产生的上升气流提升群体效率）、相互鼓励（通过适应性激励因子调整搜索强度）、同伴支持（对落后个体实施定向辅助）和轮换领导（动态更换领航雁避免早熟收敛），FGOA能智能优化SVR的惩罚参数C、核宽度σ和ε不敏感损失参数。该方法在80%训练集上采用10折交叉验证，最终在2016-2023年测试集上与其他三类模型对比：统计模型（ARIMA、HWETS）、深度学习模型（LSTM）和混合模型（PSOSVR、DESVR等）。
4.3 不同方法预测痴呆病例数的比较
FGOASVR展现出全面优势。在男性组预测中，其平均MAPE（3.17%）和RMSE（0.69）显著低于传统ARIMA（6.90%，1.13）和LSTM（9.73%，1.39）；在女性组预测中同样保持领先（MAPE 3.42%，RMSE 0.96）。特别在70-74岁女性组，DESVR和HHOSVR的MAPE分别高达37.07%和13.29%，而FGOASVR稳定在2.94%，体现出对数据异常波动极强的鲁棒性。
4.4 年龄组数据分析
模型在各年龄段的预测曲线与真实值高度吻合。以85岁以上群体为例，女性患病数从1998年的2.57万激增至2023年的68.17万，FGOASVR准确捕捉到2016年后的加速拐点，而ARIMA和HWETS则出现系统性偏差。这种优势在较年轻组（60-64岁）同样明显，说明模型能同步适应低基数平稳增长和高基数爆发式增长模式。
研究的创新点在于将生物群体智能行为转化为数学优化策略，首次验证了FGOA在公共卫生预测领域的适用性。相比粒子群优化（PSO）和鲸鱼优化算法（WOA）等传统智能优化算法，FGOA通过多机制协作有效平衡全局探索与局部开发，避免陷入局部最优。值得注意的是，尽管LSTM在85岁以上组表现良好（MAPE 4.15%），但其在年轻组波动较大，反映出深度学习模型对数据量和参数调校的敏感性。
当然研究也存在局限：基于台湾单一支付方医保数据的结果，其外推性需在不同医疗体系下验证；年度数据粒度可能掩盖季节性波动；未提供预测误差的置信区间也一定程度影响结果解读。但毫无疑问，这项研究为应对老龄化社会的健康挑战提供了重要方法论支持。随着算法进一步优化，FGOASVR框架有望扩展至其他慢性病预测领域，成为公共卫生决策的"智能导航仪"。
最终研究表明，融合群体智能的机器学习方法能显著提升痴呆趋势预测精度。在老龄化不可逆转的当下，这种数据驱动的预见性分析不仅能为医疗资源调配提供科学依据，更提醒我们：应对痴呆危机，需要像雁群一样——既要有领航者的远见，也离不开社会整体的协同支持。
