新疆包虫病2010-2024年时间趋势分析及不同预测模型在新冠疫情期间及之后的性能比较研究

《BMC Infectious Diseases》：Temporal trends and comparative forecasting of echinococcosis in endemic Xinjiang (2010–2024): changes during and after the COVID-19 pandemic

　　

摘要

目的

分析 2010 年至 2024 年新疆报告包虫病病例的时间趋势，并评估不同时间序列模型在新冠疫情期间及之后的长期外样本预测性能。

方法

数据来源中国传染病监测报告系统。使用 Joinpoint 回归分析年度趋势，计算年均变化率（APC）和平均年均变化率（AAPC）。对月度数据进行描述性汇总，以表征月度报告模式。五种预测方法——朴素预测、季节性朴素预测、SARIMA、Prophet 和 LSTM——使用 2010 至 2019 年数据进行训练，并在共同的固定起点框架下，使用 2020 至 2024 年数据进行评估，期间不使用观测到的测试期值进行更新或重新拟合。使用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和对称平均绝对百分比误差（sMAPE）评估性能。此外，进行了扩展窗口滚动起点提前一个月预测作为敏感性分析。

结果

共报告 20,302 例病例，2017 年达到峰值，2022 年降至最低点。在单拐点模型设定中，2010 至 2017 年报告病例数增加（APC = 8.91%，95% CI：2.93% 至 22.25%），2017 至 2024 年减少（APC = -12.56%，95% CI：-23.20% 至 -7.49%）；然而，总体 AAPC 为 -2.42%（95% CI：-5.80% 至 0.83%）。分段趋势推断对模型设定敏感。月度报告模式也随时间变化。在主要固定起点分析中，LSTM（随机种子 = 42）产生最低误差（RMSE = 47.08，MAE = 39.24，MAPE = 105.91%，sMAPE = 46.07%）。在滚动起点敏感性分析中，SARIMA 产生最低的 RMSE、MAE 和 sMAPE。

结论

在单拐点模型设定下，新疆报告的包虫病病例呈现先升后降的模式，尽管趋势推断对模型设定敏感。月度报告模式也随时间变化。LSTM（随机种子 = 42）在主要固定起点分析中产生最低的点预测误差，而滚动起点敏感性分析显示出不同的模型排名，SARIMA 产生最低的 RMSE、MAE 和 sMAPE，而 LSTM 表现出相当的性能。这些发现表明，模型比较性能取决于预测框架。