《Tropical Medicine and Health》：Time-series forecasting of mRDT-positive malaria counts in Tanzania’s lake zone: a comparative evaluation of statistical and machine-learning models using routine surveillance data, 2018–2025
编辑推荐：
背景：当监测结局与评估方案被清晰界定后，月度疟疾预测可支持诊断与治疗规划。方法：研究人员分析了2018年1月至2025年12月期间六个湖区地区43个委员会的4,128条委员会-月度记录。完整的mRDT阳性计数被汇总为576条地区-月度观测值和一条96个月的湖区
背景：当监测结局与评估方案被清晰界定后，月度疟疾预测可支持诊断与治疗规划。方法：研究人员分析了2018年1月至2025年12月期间六个湖区地区43个委员会的4,128条委员会-月度记录。完整的mRDT阳性计数被汇总为576条地区-月度观测值和一条96个月的湖区序列。六种拟合模型、一个等权重集成模型和一个季节性朴素基准在固定起点的2025年保留集以及37个扩展窗口起点上，以1–12个月预测步长进行评估。结果：数据集包含11,874,519例mRDT阳性计数。年计数从2018年的163万下降至2025年的106万，日历月平均值以6–7月最高。ARIMA (2, 1, 2) 具有最低的2025年保留集误差（MAPE 12.1%；RMSE 11,709），相对于季节性朴素模型将RMSE降低了69.2%。在所有滚动起点-步长组合中，Gradient Boosting具有最低的RMSE（22,007），而集成模型具有最低的MAE（16,687）和MAPE（16.1%）。结论：模型排名随预测起点、步长和评价指标而变化。研究结果支持常规更新、以基准为参照的预测，而非依赖单一的终年排名。该结局代表阳性诊断计数，而非人口标准化发病率或经确认的独特门诊病例。
疟疾持续构成重大健康负担，世界卫生组织估计2022年全球有2.49亿病例和60.8万死亡，非洲区域约占94%的病例和95%的死亡。坦桑尼亚疟疾负担存在显著地理异质性，本研究聚焦盖塔、卡盖拉、马拉、姆万扎、欣延加和西米尤六个地区（合称湖区）。温度影响蚊虫和寄生虫发育，降雨、植被和水生栖息地可促成疟疾风险的时空和季节性变化，但本研究模型未纳入环境协变量。可靠的短期预测可帮助卫生团队预判监测疟疾计数的季节性上升并审查诊断和治疗能力。经典统计方法如ARIMA和SARIMA可表征序列依赖、趋势和季节性，随机森林和Gradient Boosting提供非线性树基替代方案，LSTM网络可学习序列数据中的时间依赖。预测竞赛表明性能因方法和序列而异，为比较统计与机器学习方法及预测组合提供了依据。既往疟疾预测研究在结局、预测因子和验证设计方面存在差异，未建立通用的方法排名。本研究评估湖区聚合序列的预测，采用终年保留集和重复扩展窗口起点，并以地区SARIMA评估检验地理变异。
研究人员分析了43个委员会4,128条委员会-月度记录，覆盖2018年1月至2025年12月，将委员会级mRDT阳性计数按地区和月份求和产生576条地区-月度观测值，再汇总为96个月湖区序列用于主要预测比较。主要结局为月度疟疾快速诊断试验阳性计数。所有43个委员会均有96条月度记录，无重复键、缺失mRDT值、负计数或非整数计数。机器学习预测因子包括1、2、3、6和12个月病例计数滞后项，前3和6个月的滚动均值和总体标准差，日历月的正弦和余弦编码，以及自2018年1月起始为零的时间索引。分析流程包括委员会级质量检查、地区和湖区汇总、描述性分析、模型拟合、固定起点评估和扩展窗口验证。
研究结果如下：湖区疟疾时间轮廓方面，六个地区2018–2025年记录11,874,519例mRDT阳性计数，年均1,484,315例。年总数2019年最高（1,993,105），2025年最低（1,057,323），2018至2025年下降35.0%，复合年变化为?6.0%。日历月均值以7月（160,174）和6月（155,386）最高，10月（99,694）和11月（100,230）最低。地区异质性方面，卡盖拉贡献26.9%，姆万扎21.2%，盖塔20.1%，马拉17.6%，欣延加10.5%，西米尤3.8%。分解与平稳性方面，STL分解将下降的长期水平与周期性季节变异和不规则波动分离，估计季节成分范围为?31,680至47,029例。原始聚合序列未拒绝ADF单位根原假设（p = 0.608）并拒绝KPSS水平平稳原假设（p ≤ 0.01），联合一阶和季节差分后ADF p = 0.0016、KPSS p ≥ 0.10。保留集模型性能方面，ARIMA (2, 1, 2) 具有最低保留集误差：MAE 10,410、RMSE 11,709、MAPE 12.1%、R2 0.16。季节性朴素RMSE为37,989、MAPE为38.2%，ARIMA相对其降低RMSE 69.2%。MLP的RMSE为45,828、MAPE为49.3%，集成模型未优于ARIMA。多评估期预测性能方面，37个月度预测起点的444对预测-结局中，Gradient Boosting具有最低汇总RMSE（22,007），季节性朴素为22,790，ARIMA为28,394。集成模型具有最低汇总MAE（16,687）和MAPE（16.1%）。一步长时集成RMSE为9,857，12步长时随机森林RMSE最低（24,736）。地区预测性能方面，地区SARIMA性能不均，MAPE在马拉最低（15.4%）、卡盖拉为28.5%，欣延加最高（203.1%）、西米尤为118.7%，所有地区R2均为负值。预测推断范围方面，评估表征1–12个月步长的预测性能，不估计长期轨迹或气候效应。残差诊断方面，全序列SARIMA诊断拟合Ljung–Box统计量在滞后24为13.31（调整四个AR/MA项后20个自由度；p = 0.864），季节性MA估计接近可逆边界且标准误较大。跨地区依赖方面，盖塔和姆万扎跨地区相关性最高（r = 0.79），卡盖拉和西米尤呈弱负相关（r = ?0.04），欣延加和西米尤正协变（r = 0.72）。
讨论部分总结：本研究比较了96个月湖区序列的月度mRDT阳性疟疾计数预测，2025年保留集支持ARIMA（MAPE 12.1%；RMSE 11,709），而滚动起点验证按汇总RMSE支持Gradient Boosting、按汇总MAE和MAPE支持集成模型，表明单一终年排名不能确立通用模型优越性。ARIMA相对季节性朴素降低69.2%的2025年RMSE，证明该起点上优于季节持续性；跨滚动起点，Gradient Boosting和集成模型的较低汇总误差表明模型适用性取决于时期和评价指标。与已发表预测误差的比较对结局定义、预测步长、地理和验证设计敏感，本研究的mRDT阳性结局不同于经确认的独特门诊病例计数，因此研究内比较比对外部研究的数值排名提供更直接的解释基础。等权重集成改善了汇总滚动MAE和MAPE，但在终年保留集上未优于ARIMA，预测平均在某些评估期提供益处但未提供统一优越的模型。政策启示方面，反复出现的6–7月高峰支持提前审查诊断和治疗能力，地区异质性反对仅基于湖区总数进行分配，固定起点与滚动结果的分歧支持常规更新和以季节性朴素为基准的性能监测，并在点预测旁展示不确定性。阳性mRDT计数提供观察到的诊断负担度量，可 informing 服务准备，但其与商品需求的关系还取决于检测量、阳性率、重复检测和治疗实践，该结局不确立总诊断检测需求或独特疟疾病例数。局限性方面，mRDT阳性字段不识别独特患者或确立门诊-only设置，显微镜字段不完整；常规计数可能反映检测量、设施覆盖、报告完整性和回填的变化；COVID-19大流行期间医疗可及性中断是合理的背景关注，但本分析无法将2020–2021年不连续性归因于大流行或区分报告、检测和传播的变化；模型使用短聚合序列而无外部气候或干预协变量；固定模型配置和单一随机种子限制了对架构选择和随机稳定性的结论；滚动窗口重叠使汇总误差 dependent，未进行模型差异的显著性检验；接近边界的季节性MA估计和较大标准误进一步限制了对个体SARIMA系数的解释。结论翻译：本研究使用43个委员会的11,874,519例mRDT阳性计数，比较了六种拟合模型、一个集成模型和季节性朴素模型。ARIMA在固定起点2025年保留集上具有最低误差（MAPE 12.1%；RMSE 11,709；R2 0.16）。跨37个滚动起点，Gradient Boosting具有最低汇总RMSE，集成模型具有最低汇总MAE和MAPE，地区SARIMA性能不均。短期预测性能取决于起点、步长和指标，因此操作使用需要常规基准比较、地区验证和不确定性评估，结果不支持长期或气候影响推断。未来研究可整合气候、环境和干预协变量，检验空间依赖，并使用更长或更高频监测序列评估循环或注意力模型，这些扩展可支持常规更新的疟疾预测系统。
