基于时空图神经网络的中国制造业密集地区手部损伤时空风险预测与宏观关联因素识别

《BMC Public Health》：Spatio-temporal prediction and macro-level correlates of hand injuries in manufacturing regions: a multi-source data fusion study using graph neural networks and its implications for targeted prevention

　　

摘要

背景

手部损伤给制造业密集地区带来了沉重负担，但区域风险的空间-时间模式及其宏观层面的相关因素仍知之甚少。现有研究大多聚焦于个体层面的风险因素，且依赖单一数据来源，导致"一刀切"式预防策略往往效率低下。本研究旨在弥补这一空白，通过整合多源数据并运用时空图神经网络（STGNN），识别高风险区域及其关键关联因素。

方法

我们开发了一种基于STGNN的预测框架，融合了中国湖南省的受伤监测记录、气象数据、夜间灯光强度以及社会经济指标（2011–2023年，N?=?182）。构建了融合地理邻近性和经济联系的邻接矩阵，以捕捉空间依赖关系。采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）与季节性自回归积分滑动平均模型（SARIMA）、地理加权回归、随机森林、XGBoost、DLinear、图卷积网络（GCN）以及时空条件自回归模型基准进行性能评估。通过SHAP（SHapley Additive exPlanations，SHAP）和注意力权重可视化进行可解释性分析。

结果

与所有基准模型相比，STGNN模型取得了优异的预测性能。SHAP分析发现，第二产业占比和夜间灯光强度是两个最重要的正向相关因素。高风险区域持续聚集在制造业密集的长株潭城市群。

结论

本研究表明，工业化水平和经济活动强度是医院数据所记录的手部损伤风险的核心宏观相关因素。STGNN框架为精准的空间-时间风险预测提供了工具，使制造业密集地区能够实现空间针对性的资源配置和区域联合预防。将该预测智能融入公共卫生规划，有助于从被动治疗向主动、精准预防转变。所有结论基于预测性关联，不暗示因果关系。

图形摘要

背景

手部损伤给制造业密集地区带来了沉重负担，但区域风险的空间-时间模式及其宏观层面的相关因素仍知之甚少。现有研究大多聚焦于个体层面的风险因素，且依赖单一数据来源，导致"一刀切"式预防策略往往效率低下。本研究旨在弥补这一空白，通过整合多源数据并运用时空图神经网络（STGNN），识别高风险区域及其关键关联因素。

方法

我们开发了一种基于STGNN的预测框架，融合了中国湖南省的受伤监测记录、气象数据、夜间灯光强度以及社会经济指标（2011–2023年，N?=?182）。构建了融合地理邻近性和经济联系的邻接矩阵，以捕捉空间依赖关系。采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）与季节性自回归积分滑动平均模型（SARIMA）、地理加权回归、随机森林、XGBoost、DLinear、图卷积网络（GCN）以及时空条件自回归模型基准进行性能评估。通过SHAP（SHapley Additive exPlanations，SHAP）和注意力权重可视化进行可解释性分析。

结果

与所有基准模型相比，STGNN模型取得了优异的预测性能。SHAP分析发现，第二产业占比和夜间灯光强度是两个最重要的正向相关因素。高风险区域持续聚集在制造业密集的长株潭城市群。

结论

本研究表明，工业化水平和经济活动强度是医院数据所记录的手部损伤风险的核心宏观相关因素。STGNN框架为精准的空间-时间风险预测提供了工具，使制造业密集地区能够实现空间针对性的资源配置和区域联合预防。将该预测智能融入公共卫生规划，有助于从被动治疗向主动、精准预防转变。所有结论基于预测性关联，不暗示因果关系。

图形摘要