《City and Environment Interactions》：Predicting environmental health-related search patterns using freely available digital and reanalysis data: A critical evaluation of Google Trends and global datasets for Morocco
编辑推荐：
气候变化与环境退化日益威胁城市公共卫生，但在资源受限环境中，监测基础设施往往匮乏。本研究开发并严格评估了一个机器学习框架，该框架完全基于可公开获取的全球数据集，预测摩洛哥与环境健康相关的搜索行为，并将其用作低成本数字代理指标，而非临床负担的直接度量。研究人员整
气候变化与环境退化日益威胁城市公共卫生，但在资源受限环境中，监测基础设施往往匮乏。本研究开发并严格评估了一个机器学习框架，该框架完全基于可公开获取的全球数据集，预测摩洛哥与环境健康相关的搜索行为，并将其用作低成本数字代理指标，而非临床负担的直接度量。研究人员整合了来自ERA5气象再分析、哥白尼大气监测服务（Copernicus Atmosphere Monitoring Service, CAMS）产品和Google Trends的五年周度数据（2020年4月至2025年4月），对四类搜索主题——空气质量、呼吸系统疾病、热相关疾病和过敏——的高关注状态进行二分类建模。包含71个工程化特征的集成模型取得了较强的分类性能（受试者工作特征曲线下面积，ROC-AUC为0.92至0.96），并在52周的时间跨度上保持时间稳定性。消融研究表明，这种判别能力主要由自相关的搜索信号承载；环境再分析模块在全国尺度上增加的增量ROC-AUC可忽略不计，但在呼吸系统和空气质量类别中仍保留了有意义的独立信号，而在过敏和热相关疾病类别则降至接近随机水平。这一对比与生物合理性的差异相吻合：呼吸系统预测与既有流行病学模式一致，而热相关预测显示与温度的对应较弱，并出现不合理的冬季高峰。因此，研究人员将该系统定位为一种补充性筛查层，有待与临床终点进行外部验证，而非经过验证的疾病监测或操作预警系统。由于该框架仅依赖免费可得数据，它为北非及全球南方（Global South）的环境健康监测提供了一个可复制的国家级原型，并有助于实现可持续发展目标（Sustainable Development Goals, SDG）3、11和13。
研究背景与问题：气候变化与环境退化日益威胁城市公共卫生，许多资源受限地区缺乏地面监测基础设施。摩洛哥面临快速城市化、医疗基础设施有限和预警系统不足等问题；已有数字流行病学研究往往采用随机交叉验证，容易高估性能，且很少系统评估生物合理性、时间稳定性和概率校准。为此，研究人员提出一个仅使用开放数据、可复制的机器学习框架，并对其技术性能与流行病学效度进行双重评估。
研究人员开展了什么研究：研究人员收集2020年4月至2025年4月共262周的ERA5气象再分析（欧洲中期天气预报中心第五代大气再分析资料）、CAMS大气成分以及Google Trends摩洛哥全国搜索数据（64个搜索词，分属呼吸系统疾病、过敏、空气质量关注和热相关疾病四类），以周为分析单位，构建二分类高关注状态。研究通过时间序列交叉验证、扩展窗口回测、概率校准和消融分析（通过移除特定特征组合评估各模块贡献），比较六个机器学习算法，并对四类预测进行分级生物合理性评估。该研究无临床样本队列，搜索信号来自Google Trends摩洛哥全国层级聚合。
主要结论：集成模型（梯度提升、随机森林、XGBoost等）的ROC-AUC为0.92至0.96，F1分数为0.84至0.92，在52周预测窗口保持稳定。消融分析显示判别力主要由搜索序列的自身季节性与自相关携带；环境数据在呼吸和空气质量类别有独立信号，但在过敏和热相关类别接近随机。呼吸系统预测与冷季呼吸疾病流行模式一致，热相关预测与温度关联弱（相关系数r=0.13）且出现冬季高峰。因此，该系统只能作为补充性筛查层，不能直接作为经过验证的疾病监测或操作预警系统。
主要技术方法：首先是多源数据整合与时间对齐，将小时级气象和空气质量数据依次聚合约到日、周，并将星期起始统一为Google Trends使用的周六结束周；同时将网格环境数据聚合到国家尺度。其次是特征工程，共构造68至71个特征，包括时间周期编码、23个当前环境变量、21个滞后环境变量、4个环境交互项以及搜索历史滞后、滚动均值和季节性异常特征。第三是模型开发与验证，采用5折时间序列交叉验证、等渗回归概率校准和基于F1的阈值优化，并在26、39、52周三个扩展窗口上进行回测。第四是评估体系，使用ROC-AUC、平均精确率、准确率、F1等指标，结合置换重要性（随机打乱特征后观察测试集AUC下降量）和五组特征配置的消融比较，以及“去年同周”和“仅搜索自回归”两种朴素基线。
研究结果：
3.6 交叉验证性能比较：通过5折时间序列交叉验证比较六种算法，集成方法平均ROC-AUC为0.90至0.93，逻辑回归为0.73，说明环境与搜索行为之间呈复杂非线性关系。
3.7 总体性能总结：在保留的最后53周测试集上，四个模型ROC-AUC为0.924至0.957，F1为0.837至0.923；呼吸模型召回率最高（0.966），过敏模型精确率达到1.000，热相关模型召回率为0.857，空气质量模型误差分布较均衡。
3.8 判别与校准性能：ROC曲线显示四类模型均具有较强判别力；经等渗校准后，过敏与呼吸模型概率输出最接近理想校准线，适合用于风险判断。
3.9 时间预测精度：预测概率与实际高风险期在52周测试期内基本对齐；空气质量高风险期集中在2024年晚春和2024年12月至2025年4月，过敏集中在夏季，热相关出现在晚春及2025年1至4月，呼吸道集中在2024年10月至2025年3月。
3.10 特征重要性结果：置换重要性显示季节性异常特征是最强预测因子，其在过敏、热相关、呼吸和空气质量模型中的重要性分别为0.615、0.464、0.228和0.060；其余环境和搜索特征贡献较小，呼吸模型中出现PM
2.5的4周滞后等次级贡献变量。
3.11 扩展窗口回测结果：在26、39、52周三个回测窗口中，所有模型ROC-AUC均不低于0.88，在52周窗口时均达到0.93以上，显示时间稳定性。
3.12 消融研究与基线比较：仅使用时间与搜索历史特征即可达到或超过完整模型；仅使用环境特征时，呼吸（ROC-AUC=0.788）和空气质量（0.912）仍保留独立预测力，而过敏（0.432）和热相关（0.468）接近随机。“去年同周”基线在空气质量和呼吸类别上较强，在季节阈值定义的过敏和热相关类别上接近随机；搜索历史特征的增量贡献远大于环境特征增量。
讨论部分：研究人员指出，季节性异常特征主导预测，说明模型善于捕捉季节性健康动态，但对非季节性突发事件可能不敏感。环境变量中滞后颗粒物与呼吸结局的关联方向与既有分布滞后模型一致。生物合理性分级显示：呼吸系统预测为强一致，空气质量和过敏为中等，热相关为弱一致；热相关搜索与温度相关性极弱，且约33.3%的高搜索周发生在冬季，可能与国家尺度聚合稀释局部热暴露以及媒体放大效应有关。Google Trends数据存在城乡互联网接入差异、媒体驱动搜索、健康宣传和算法混淆等偏倚。预测关系是相关关系而非因果关系，不能直接解释为个体层面的暴露效应。部署时需考虑数据延迟，建议呼吸模型先以影子模式运行，并与医院住院记录进行外部验证。
结论部分翻译：本研究利用完全免费开放的全球数据集，通过大量特征工程、严格时间序列交叉验证、概率校准和扩展窗口回测，为摩洛哥开发了四类环境健康相关搜索预测模型。研究证明技术准确性与生物有效性是相互独立的属性，需要分别评估。呼吸模型与流行病学模式一致，可优先开展临床验证；热相关模型存在明显效度问题，必须限定夏季数据并完成临床验证后才能考虑应用。未来工作包括与摩洛哥卫生部合作获取住院和急诊记录，采用Granger因果检验和分布滞后非线性模型开展因果推断，以及整合社交媒体、电信移动数据和本地空气质量传感器网络，实现城市与区域尺度的空间降尺度，从而支持SDG 3、11和13目标的实现。
