蒙古国库苏古尔省鼠疫风险的可解释机器学习评估：基于实地与合成数据的概念验证研究

《Oxford Open Digital Health》：Towards responsible AI for plague foci surveillance and outbreak prediction: Mongolian case

　　

摘要

鼠疫仍然是蒙古国持续存在的人畜共患威胁，在该国，引起鼠疫的鼠疫耶尔森菌（Y. pestis）在与旱獭-跳蚤生态系统相关的自然疫源地中传播。本研究利用2025年8月考察期间从蒙古国库苏古尔省高风险鼠疫区收集的原始实地数据，结合可解释机器学习技术，以改进风险评估和疫情预测。关键实地变量包括洞穴密度、旱獭数量和体外寄生虫负荷。由于精选实地样本规模较小（N=54），研究整合了一个模拟几个不同苏木生态和气候因素的合成数据集（N=120），以增强模型原型设计，评估与旱獭种群相关的自然鼠疫疫源地。增强型XGBoost模型被确立为最可靠的预警工具，提供优化目标性农村鼠疫监测和实地干预所需的精确诊断平衡。此外，SHAP分析成功识别出主要风险驱动因素，如温度和降水。由于这些指标是根据预定义的生态假设生成的合成数据得出的，该框架被呈现为可解释AI工作流程的方法论概念验证演示，而非经过实地验证的疫情预测性能。该框架展示了负责任AI在增强资源有限的实地工作方面的潜力，促进蒙古国及更广泛地区的公平公共卫生。

法语

鼠疫仍然是蒙古国持续存在的人畜共患威胁，在该国，引起鼠疫的鼠疫耶尔森菌（Y. pestis）在与旱獭和跳蚤生态系统相关的自然疫源地中传播。本研究利用2025年8月考察期间从蒙古国库苏古尔省高风险鼠疫区收集的原始实地数据，结合可解释机器学习技术，以改进风险评估和疫情预测。关键实地变量包括洞穴密度、旱獭数量和体外寄生虫负荷。由于精选实地样本规模较小（N=54），研究整合了一个模拟几个不同苏木生态和气候因素的合成数据集（N=120），以增强模型原型设计，评估与旱獭种群相关的自然鼠疫疫源地。增强型XGBoost模型被确立为最可靠的预警工具，提供优化目标性农村鼠疫监测和实地干预所需的精确诊断平衡。此外，SHAP分析成功识别出主要风险驱动因素，如温度和降水。由于这些指标是根据预定义的生态假设生成的合成数据得出的，该框架被呈现为可解释AI工作流程的方法论概念验证演示，而非经过实地验证的疫情预测性能。该框架展示了负责任AI在增强资源有限的实地工作方面的潜力，促进蒙古国及更广泛地区的公平公共卫生。

西班牙语

鼠疫仍然是蒙古国持续存在的人畜共患威胁，在该国，引起鼠疫的鼠疫耶尔森菌（Y. pestis）在与旱獭和跳蚤生态系统相关的自然疫源地中传播。本研究利用2025年8月考察期间从蒙古国库苏古尔省高风险鼠疫区收集的原始实地数据，结合可解释机器学习技术，以改进风险评估和疫情预测。关键实地变量包括洞穴密度、旱獭数量和体外寄生虫负荷。由于精选实地样本规模较小（N=54），研究整合了一个模拟几个不同苏木生态和气候因素的合成数据集（N=120），以增强模型原型设计，评估与旱獭种群相关的自然鼠疫疫源地。增强型XGBoost模型被确立为最可靠的预警工具，提供优化目标性农村鼠疫监测和实地干预所需的精确诊断平衡。此外，SHAP分析成功识别出主要风险驱动因素，如温度和降水。由于这些指标是根据预定义的生态假设生成的合成数据得出的，该框架被呈现为可解释AI工作流程的方法论概念验证演示，而非经过实地验证的疫情预测性能。该框架展示了负责任AI在增强资源有限的实地工作方面的潜力，促进蒙古国及更广泛地区的公平公共卫生。

葡萄牙语

鼠疫仍然是蒙古国持续存在的人畜共患威胁，在该国，引起鼠疫的鼠疫耶尔森菌（Y. pestis）在与旱獭和跳蚤生态系统相关的自然疫源地中传播。本研究利用2025年8月考察期间从蒙古国库苏古尔省高风险鼠疫区收集的原始实地数据，结合可解释机器学习技术，以改进风险评估和疫情预测。关键实地变量包括洞穴密度、旱獭数量和体外寄生虫负荷。由于精选实地样本规模较小（N=54），研究整合了一个模拟几个不同苏木生态和气候因素的合成数据集（N=120），以增强模型原型设计，评估与旱獭种群相关的自然鼠疫疫源地。增强型XGBoost模型被确立为最可靠的预警工具，提供优化目标性农村鼠疫监测和实地干预所需的精确诊断平衡。此外，SHAP分析成功识别出主要风险驱动因素，如温度和降水。由于这些指标是根据预定义的生态假设生成的合成数据得出的，该框架被呈现为可解释AI工作流程的方法论概念验证演示，而非经过实地验证的疫情预测性能。该框架展示了负责任AI在增强资源有限的实地工作方面的潜力，促进蒙古国及更广泛地区的公平公共卫生。

图形摘要

在新标签页中打开 下载幻灯片