基于克罗地亚初级医疗电子健康记录的机器学习框架预测急性呼吸道感染与流感样疾病周度就诊量

《Applied Sciences》：Predictive Modeling of Acute Respiratory Infections: A Machine Learning Approach Using Real-World Data from Primary Care in Croatia

　　

特色应用

所提出的机器学习框架有潜力成为克罗地亚乃至其他国家（取决于可用数据源）呼吸道疾病暴发的自动化预警系统。通过预测县级急性呼吸道感染（ARI）和流感样疾病（ILI）的就诊人数，该工具可为公共卫生官员、流行病学家和临床医生提供具有实操价值的信息支持。在实践中，这些预测见解可应用于动态调配医疗资源、优化临床医生排班、管理药品供应，并在初级医疗能力被压垮之前部署有针对性的干预措施。此外，将预测模型与现有电子健康记录（EHR）相结合，提供了一个可扩展的蓝图，有助于增强更广泛的国家医疗系统中的实时综合征监测能力。

摘要

及时预测呼吸道疾病活动可支持更主动的初级医疗资源规划。本文旨在开发一个机器学习框架，利用克罗地亚常规收集的初级医疗真实世界数据，预测急性呼吸道感染（ARI）和流感样疾病（ILI）的就诊量。我们使用了克罗地亚中央健康信息系统（CEZIH）中经汇总和伪名化处理的电子健康记录（EHR），涵盖11年期间（ISO 2015-W01至2025-W52），基于ICD-10编码构建县级周度ARI和ILI时间序列。预测变量集包括历史疾病发病率、抗菌药物处方、人口统计与人口数据、局部气象与空气质量变量、季节特征以及来自邻近县的空间信息。我们采用五种机器学习回归器进行提前一至四周的预测，并以2024–2025年作为测试期。XGBoost在ARI和ILI预测中始终表现最佳。在大多数情景下，预测逐周变化的模型优于预测绝对病例数的模型。对于ARI，最佳XGBoost模型在1至4周预测期的平均绝对百分比误差（MAPE）值分别为11.19%、13.98%、15.53%和16.23%；对于ILI，对应值分别为14.96%、19.06%、22.74%和25.19%。季节变量是最具影响力的预测因子，且预测区间随预测期延长而变宽。我们的结果表明，初级医疗EHR数据与机器学习在支持克罗地亚公共卫生部门及医疗专业人员开展疾病监测和主动医疗资源规划方面具有潜力。