考虑报告延迟的机器学习框架在真实世界约束下对呼吸道疾病短期按年龄分层预测的开发与评估——基于广州国家哨点医院多病原体监测数据的研究

《BMC Infectious Diseases》：Reporting-lag-aware machine learning framework for short-term forecasting of respiratory disease activity: a sentinel hospital study in Guangzhou

　　

摘要

背景

实验室报告的延迟限制了呼吸道疾病监测中的及时态势感知。本研究旨在开发和评估一个考虑报告延迟的机器学习框架，用于在真实世界监测约束下对呼吸道疾病活动进行短期、按年龄分层的预测。

方法

我们分析了2023年11月1日至2026年7月31日期间共1004天的监测数据，数据来源于中国广州一家国家哨点医院，包括医生记录或实验室支持的流感、COVID-19和肺炎支原体病例、发热门诊就诊量以及气象变量。鉴于常规2天的报告延迟，我们使用XGBoost模型预测未来7天的病例增量。大多数基于计数的预测变量进行了归一化处理，同时保留最新可观察到的病例数作为水平锚定。将收缩校准的XGBoost预测与滚动SARIMA预测进行组合。比较对象包括朴素规则、SARIMA、气象预言机SARIMAX基准、LSTM和Transformer模型。在371天日历评估窗口内的363个评分目标日期上，使用均方根误差（RMSE）、平均绝对误差（MAE）、R²、方向准确率、警报灵敏度、阳性预测值和预测区间覆盖率对模型性能进行评估。

结果

该框架在总人群、成年人和儿童中分别实现了均方根误差（RMSE）值16.50、12.64和6.14，对应的R²值分别为0.640、0.694和0.353。在总人群和成人序列中，该框架显著优于惯性预测（Diebold-Mariano p = 0.001和0.003），但相比7天移动平均或滚动SARIMA的改进不具有统计学显著性。在儿童组中，所有比较均无统计学显著性差异。该框架的方向准确率为67.2%至73.5%，对于识别活动达到或超过开发期中位数两倍的日期的灵敏度为58.1%至78.4%。绝对计数规格在扩展评估期间的表现较差（RMSE = 20.32；R² = 0.453），在此期间发热门诊就诊量下降了31.5%，而病例与就诊比增加了31.6%。

结论

基于常规数据的考虑报告延迟框架提供了有限的补充性7天态势感知。相比惯性预测，其平均绝对误差（MAE）改善约为每天一例病例，但相比7天移动平均或滚动SARIMA无显著优势。模型性能取决于基于计数的预测变量在就医行为变化下的稳定性，支持在更广泛使用前进行前瞻性多中心验证。