编辑推荐：
有效的综合征监测（syndromic surveillance）需要整合多样化数据流，同时保持透明性和可解释性，以支持及时且知情的公共卫生行动。传统监测方法常依赖单域数据，如临床报告或环境测量，或采用限制利益相关者信任和验证的黑箱模型。为应对这些挑战，研究人员
有效的综合征监测（syndromic surveillance）需要整合多样化数据流，同时保持透明性和可解释性，以支持及时且知情的公共卫生行动。传统监测方法常依赖单域数据，如临床报告或环境测量，或采用限制利益相关者信任和验证的黑箱模型。为应对这些挑战，研究人员提出一个One Health（同一健康）可视分析（visual analytics）框架，该框架整合异质监测信号与互补预测模型及交互式模型分析，能够对传染病监测任务中的数据贡献、模型配置和预测不确定性进行系统比较。该框架整合混合效应模型（mixed-effects models）、具有时空嵌入（spatiotemporal embeddings）的基于Transformer的深度学习架构以及交互式仪表板，以在白箱（white-box）环境中平衡预测性能与可解释性。研究人员通过三项混合效应案例研究和补充性Transformer预测实验展示该框架的效用：(i) 亚利桑那州流感和RSV（respiratory syncytial virus，呼吸道合胞病毒）病例预测，(ii) 阿肯色州COVID-19病例和死亡建模，(iii) 使用废水（wastewater）、动物健康和环境数据预测俄克拉荷马州COVID-19住院。跨案例研究中，整合多源信号在多数配置中改善预测准确性，尽管单个数据流的增量价值被证明具有物种和配置依赖性，而分层随机效应（hierarchical random effects）（例如县、月、年龄组）捕捉情境变异并增强稳健性。对于较长时期预测，具有空间和时空嵌入的Transformer模型优于基线统计模型，突显情境信息的价值。通过将复杂建模输出转化为可解释视觉工具，该框架支持主动决策，增强公共卫生防备，并加强人类、环境和动物健康领域间的One Health合作。这项工作引入一种可泛化的One Health方法，用于透明、数据驱动的综合征监测，对健康安全和社区韧性具有直接影响。本工作的新颖性在于将异质One Health信号与互补建模策略及交互式模型溯源（model provenance）相整合，从而使预测和解释能够跨健康领域共同检验。
研究背景与问题
近期公共卫生危机，包括COVID-19大流行，凸显了对能够整合多样数据源并为传染病管理提供可行动洞察的预测系统的迫切需求。传染病传播本质上是多因素的，受人类行为、社会互动、人口密度、气候和空气污染等环境条件，以及与动物宿主相互作用的影响。One Health（同一健康）范式强调人类、动物和环境健康之间的相互联系。然而，尽管大规模数据可得，多数现有模型仍受限：常依赖单源数据（如临床计数或废水监测），或采用阻碍可解释性的黑箱方法。对2015—2024年202个One Health系统的系统综述发现，20%仅使用人类数据，12%仅使用动物数据，10%仅使用环境数据，仅6%支持预测或预报，仅16%使用机器学习（machine learning，ML）或人工智能（artificial intelligence，AI）。当前监测系统也很少提供交互工具以探索多变量关系或实时验证预测。由此产生关键缺口：需要集成、可解释和交互的平台，使专家能够探索跨域数据并全面评估预测模型。可视分析（visual analytics）被定义为“由交互视觉界面促进的分析推理科学”，可支持复杂多变量数据探索和人类决策。线性混合效应模型（linear mixed-effects models）提供可解释关系，深度学习架构如Transformer可捕捉复杂非线性依赖并作为性能基准。研究人员因此提出一个One Health可视分析框架，整合临床健康记录、废水监测和环境指标，结合混合效应模型、Transformer和交互式仪表板，采用Dash和Plotly实现白箱取向，并围绕三个研究问题展开：如何整合多样One Health数据流以改善实时预测和态势感知；何种混合建模策略最能平衡可解释性与预测准确性；交互可视分析如何增强可解释性、验证和决策。该工作的新颖性在于将异质One Health信号、互补预测模型和交互式模型分析连接于单一工作流，贡献包括集成One Health建模框架、比较建模与评估工作流、交互可视分析层。
关键技术方法
关键技术方法包括三类互补策略：个体预测模型（LSTM、STL、transformed-STL）；非线性混合效应模型（OH-MEMA规范，固定效应整合多源预测，随机效应涵盖县、月、年龄、性别，REML估计，STL与多项式项，滞后?4至0周，块bootstrap 1000次）；Transformer时空嵌入模型（无、时间、空间、时空嵌入，空间用县人口密度和三个最近邻距离，时间用星期、月、年日，编码器-解码器预测7、14、21天，ARIMA为基线）。样本来源：俄克拉荷马州卫生部COVID-19住院、CDC病例死亡、亚利桑那州卫生服务部流感/RSV、Banfield Pet Hospital犬猫兽医记录、俄克拉荷马废水SARS-CoV-2/流感/RSV、gridMET气象、The New York Times美国3204县COVID-19累计确诊（训练2020年3—10月，验证11—12月，测试2021年1—3月，测试3042县）。评价用MAE、RMSE、MAPE、Pearson相关、CI/PI，并开发PIPP仪表板和混合效应建模工具。
研究结果
4.1 跨案例验证策略（Cross-case validation strategy）：案例研究用于评估框架互补方面，而非相同预测任务。验证关注框架能否捕捉疾病结局时间异质性、在不同结局和地理环境下推广、评估异质One Health监测信号增量贡献、在不同预测时界纳入空间和时间背景。混合效应分析使用内部模型比较，Transformer分析与ARIMA统计基线比较。亚利桑那和阿肯色分析评估时间随机效应，俄克拉荷马分析评估更丰富One Health设置，Transformer实验评估空间和时间表示。不确定性用置信区间（confidence interval，CI）、预测区间（prediction interval，PI）、重复配置比较和县间变异量化。
Single Prediction Model Results：在此前研究中，研究人员对俄克拉荷马州2020—2022年县周COVID-19病例和死亡进行分析，采用多种预测方法。相关系数范围为0.816—0.916，显示预测值与观测值间稳定强线性关系。Log+STL方法相关最高，LSTM和RobustScaler+STL的MAE和RMSE最低，基于STL分解结合缩放的方法置信区间最窄。
Mixed-Effects Model Results：研究人员选择每州两个人口最多县，将环境、临床和废水数据整合入混合效应模型，评估其对呼吸相关结局的预测力。每周平均NET值作为关键环境预测因子。每个案例研究由结果表和模型分析溯源树支持，树分支表示独特建模配置，叶节点显示相关、MAE和RMSE，节点颜色和大小编码性能。
Case Study I: Arizona (Flu and RSV Cases)：亚利桑那州以NET为主要环境预测因子建模县周流感和RSV病例，比较是否将月作为随机效应。全州范围内，纳入月随机效应后平均相关增加约10%—15%，MAE和RMSE下降。RSV模型州平均相关约82%（无月效应76%），流感模型约79%（无月效应71%）。Maricopa县RSV预测相关89%（无月效应84%）。结论是纳入月随机效应改善预测性能，尤其RSV，说明环境预测因子应在适当时间结构中解释。
Case Study II: Arkansas (COVID-19 Cases and Deaths)：阿肯色州以NET建模县周COVID-19病例和死亡，比较是否纳入月随机效应。全州平均，病例预测相关从约53%增至80%，死亡预测从约38%增至72%，MAE和RMSE下降。Pulaski县病例相关从43%增至79%，死亡从31%增至65%；Washington县病例从54%增至78%，死亡从36%增至71%。结论是分层时间结构改善不同呼吸结局预测，但死亡预测因报告噪声和低频仍较弱。
Case Study III: Oklahoma (COVID-19 Hospitalizations)：俄克拉荷马州评估人类、环境、废水和动物健康异质监测信号能否共同改善周COVID-19住院预测。预测因子包括废水病毒浓度（SARS-CoV-2、流感、RSV）、NET和犬猫兽医活动。模型在不同预测因子和随机效应组合下评估，包括县、月、年龄组、性别组，以及是否STL预处理。全州范围内，纳入月和年龄组随机效应的混合效应模型相关约70%—80%，MAE约0.11，RMSE约0.15；STL分解后MAE低至0.053，RMSE低至0.085，相关超过91%。Tulsa县中，M11（废水+NET+动物[犬]）结合县、月、年龄组随机效应，STL后MAE为0.0531，RMSE为0.0847，相关91.86%；废水+NET模型M3相关89.47%，猫模型M10相关88.60%。结论是废水、环境和动物综合征预测因子可提供互补预测信息，犬数据在该设置中最强，但动物变量应视为额外监测信号，不应解释为动物呼吸疾病导致或直接传播人类COVID-19。
Transformers with Spatio-Temporal Embeddings Results：研究人员评估Transformer和ARIMA在7、14、21天预测时界对美国所有县的平均性能。Transformer考察四种嵌入：无额外特征、时间特征、空间特征、时空特征。21天预测时界中空间特征表现最佳；7天和14天时界中时空特征组合最佳。所有Transformer配置均优于ARIMA基线。县层面误差分析显示，使用时空特征相比无额外特征，Transformer在7、14、21天分别有98.3%、97.6%、94.9%的县改善。结论是上下文信息预测贡献随预测时界变化。
讨论与结论
讨论总结认为，该研究提出综合One Health可视分析框架，整合临床、环境、废水和动物健康数据以改善综合征监测和呼吸相关结局预测。分析表明，在混合效应模型中结合多个监测域可在多数配置中改善预测性能，且框架使各域贡献显式化而非默认假设。亚利桑那和阿肯色分析显示，通过随机效应纳入时间异质性可显著改善不同呼吸结局预测。俄克拉荷马分析显示，最强配置结合废水、环境和犬综合征信息，并采用分层随机效应和STL预处理。Transformer分析显示，情境信息有用性取决于预测时界，7天和14天时空嵌入最佳，21天空间嵌入最佳。案例研究共同支持框架比较数据贡献、模型结构和情境表示的能力，而非证明单一模型或数据源普遍优越。局限包括死亡预测相关较低，可能因报告零星和事件计数低；框架可靠性和泛化性依赖跨域数据可用性与一致性；废水监测需标准化采样、处理与定量；NET可能不能完全代表微气候或稀疏站点地区；动物数据仅来自Banfield Pet Hospital，存在采样偏差；犬猫贡献不同，犬数据在该研究中表现较强，猫数据不一致；当前为县级别，ZIP级等更细空间受数据可用性和对齐限制；过拟合风险通过多个县和时间段样本外验证缓解。解释性与预测力权衡方面，混合效应模型轻量、透明、可白箱检查，适合利益相关者沟通和政策转化；Transformer可捕捉复杂非线性并整合时空信息，但黑箱性质限制可解释性。未来可整合LIME或SHAP等可解释AI方法，将深度学习作为基准模型，扩展更高分辨率和更好对齐数据。
研究结论翻译：本研究提出一个可泛化的One Health可视分析框架，用于综合征监测，整合人类临床数据、废水监测、动物健康和环境指标。该框架采用One Health方法，纳入与目标分析结局相关的变量。通过结合混合效应模型、具有时空嵌入的Transformer架构和交互式仪表板，该框架在预测准确性、透明性和利益相关者可解释性之间取得平衡。理论意义方面，该工作推进One Health和综合征监测文献，证明多源集成对传染病扩散预测建模的益处。具体而言，研究人员证明，捕捉时间、人口和空间异质性的分层混合效应模型与深度学习方法结合，可提高预测准确性同时保持可解释性，解决了先前研究常依赖单源数据或将统计方法与深度学习方法分离的缺口。交互可视分析将预测建模与以利益相关者为焦点的可解释性直接连接，桥接复杂模型与可行动洞察。管理与政策意义方面，该框架可直接用于公共卫生决策：整合临床、废水和环境数据有助于更早发现暴发并支持主动资源配置；混合效应模型提供透明可解释结果，适合与政策制定者沟通，Transformer模型提供稳健中长期预测以支持规划；整合人类、环境、废水和伴侣动物健康监测信号，为解释传染病模式和评估跨域预测信号提供更广泛证据基础。跨域关系应解释为预测或关联关系，而非因果关系，尤其来自滞后相关或观察性模型比较的证据。未来研究方向包括扩展至ZIP码或社区级等更细空间分辨率，以增强局部暴发检测，同时解决数据可用性和对齐挑战；将SHAP或LIME等可解释AI方法与深度学习模型整合，以提高透明度而不牺牲预测性能；在多个区域、疾病和人口群体中评估框架的泛化性、稳健性和广泛采用潜力。总体而言，该工作建立了一个稳健且可扩展的One Health监测框架，适用于多种传染病和环境相关病原体，为更具韧性和响应性的公共卫生决策奠定基础。
