《Food Control》：Development of a machine learning-based early warning system to anticipate climate change impacts: application to the detection of Salmonella in poultry in France
编辑推荐：
气候变化日益被视为食品安全风险的系统性驱动因素，对公共卫生和食品系统产生不成比例的影响。禽肉中的沙门氏菌（Salmonella）污染在欧洲仍是一个主要关切，因为禽肉被广泛消费，而沙门氏菌病是继弯曲菌病后第二常见的食源性人畜共患病。尽管西欧已证实沙门氏菌病存在季
气候变化日益被视为食品安全风险的系统性驱动因素，对公共卫生和食品系统产生不成比例的影响。禽肉中的沙门氏菌（Salmonella）污染在欧洲仍是一个主要关切，因为禽肉被广泛消费，而沙门氏菌病是继弯曲菌病后第二常见的食源性人畜共患病。尽管西欧已证实沙门氏菌病存在季节性效应，但尚未明确哪些气候变量可解释这一现象。同样，针对沙门氏菌（Salmonella）的风险评估很少以可操作和前瞻性的方式纳入气候变异性。本研究提出一个数据驱动的风险评估框架，将气候条件与食品生产阶段的沙门氏菌（Salmonella）污染联系起来，旨在支持早期预警和基于风险的监测。利用法国国家禽类监测计划的数据，研究人员分析了2018年和2020年在法国18个省份收集的3,784份盲肠样本结果。总体沙门氏菌（Salmonella）流行率为11.47%（95% CI = 10.49–12.52）。这些数据与十二个衍生气象变量（涵盖温度、降水、湿度及其延迟效应）相结合。研究开发并比较了多种机器学习（Machine Learning, ML）模型，以预测沙门氏菌（Salmonella）发生，同时考虑类别不平衡和时间依赖性。特别强调模型可解释性，以识别与污染风险相关的气候预测因子。极端梯度提升（XGBoost）展现出最优的判别性能（曲线下面积（AUC）高达0.79）和最佳的污染事件识别能力。模型揭示，采样前四周的气候条件对预测最具信息量。结果表明，温暖温度（20–30°C）和中度湿润条件（70–90%）与污染风险增加相关，而频繁降雨与污染风险降低相关，可能通过稀释和环境冲刷机制。这些发现凸显了气候-病原体相互作用的非线性和延迟性。通过将焦点从回顾性分析转向前瞻性风险建模，本研究有助于增进对气候条件与禽肉沙门氏菌（Salmonella）污染之间关系的理解。所提出的框架是朝着开发气候信息监测和早期预警工具迈出的第一步，这些工具可在不断变化的环境条件下支持食品安全监测和风险管理。
**研究背景、问题与意义**
食源性疾病是全球重大公共卫生问题，其中沙门氏菌病（salmonellosis）是最常见的食源性感染之一，每年全球约8000万病例和15.5万死亡。在欧洲，沙门氏菌病是仅次于弯曲菌病的第二常见食源性人畜共患病，但它是食源性暴发的主要病因，鼠伤寒沙门氏菌（Salmonella Enteritidis）最常见。禽肉被确认为法国沙门氏菌（Salmonella）污染的主要来源，涉及33-44%的病例。气候变化日益被视为食品安全的关键驱动因素，影响食源性病原体的生态、存活和传播。温度升高、热浪频发和降水模式变化可改变病原体在环境、畜禽生产系统和食物链中的存续、生长和扩散。沙门氏菌（Salmonella）因其环境持久性和对气候条件的敏感性而尤为令人关注。联合国粮农组织（FAO）警告极端高温可导致禽类热应激，增加细菌感染易感性；政府间气候变化专门委员会（IPCC）预测21世纪末全球平均温度可能上升2.2-3.5°C，因此亟需将这些因素纳入监测系统以预测新兴风险。
现有研究大多关注人类沙门氏菌病病例，很少直接调查食品生产阶段的沙门氏菌（Salmonella）污染，且利用机器学习（Machine Learning, ML）方法进行前瞻性风险建模的研究有限。本研究旨在填补这一空白，通过开发一个预测框架来预测法国禽肉中的沙门氏菌（Salmonella）污染，为基于机器学习（ML）的早期预警系统奠定基础。该研究有助于提升对气候条件与禽肉沙门氏菌（Salmonella）污染之间非线性、延迟关系的理解，为气候信息监测和风险管理提供工具。论文发表在《Food Control》。
**主要关键技术方法**
研究人员使用了法国国家监测计划（由法国农业食品部总司（DGAL）协调）在2018年和2020年收集的3,784份禽类盲肠样本数据（来自18个省份），以及法国气象局（Météo-France）提供的每日气象数据（最高温度、降水量、平均相对湿度）。通过将采样前42天划分为6个7天滞后期，为每个滞后期构建了12个衍生变量（不同强度等级的日数，如冷/热日、干/雨日、低/高湿度日）。采用四种监督式机器学习（ML）算法：逻辑回归（Logistic Regression, LR）、随机森林（Random Forest, RF）、极端梯度提升（XGBoost, XGB）和极度随机树（Extra Trees, ET），结合嵌套交叉验证和贝叶斯超参数优化，并比较了三种类别不平衡处理策略（无校正、合成少数过采样技术（SMOTE）、原生类别权重）。模型可解释性通过SHAP（Shapley Additive Explanations）值实现。
**研究结果**
**3.1 描述性分析**：对沙门氏菌（Salmonella）的时空分布和血清型多样性进行了描述。
* **3.1.1 样本分布**：样本来自40个省份，沙门氏菌（Salmonella）仅在其中18个省份检出（主要位于海洋性和改变海洋性气候区），采样密度西部最高（如莫尔比昂817份、旺代540份等），反映了监测设计中样本量与屠宰量成比例。
* **3.1.2 沙门氏菌（Salmonella）流行率**：总体流行率为11.47%（95% CI: 10.49-12.52），从2018年的9.50%显著上升至2020年的13.34%（相对增加约40%，χ2=13.45, p<0.001）。各省份间流行率差异显著（0.6%-28.57%），仅海洋性和改变海洋性气候间存在显著差异（p=0.0362）。
* **3.1.3 血清型多样性**：共鉴定出30种血清型，最常见的是印第安纳沙门氏菌（S. Indiana）（33.2%）、布雷登尼沙门氏菌（S. Bredeney）（13.8%）等。优势血清型的相对频率随时间变化，8种血清型在2020年消失，11种新出现。70%的血清型仅在一个气候区出现，提示空间异质性。
**3.2 气候与沙门氏菌（Salmonella）的关联**：分析限于海洋性和改变海洋性气候区（占94.5%样本）。
* **3.2.1 预测性能与最优模型选择**：通过比较四种模型在不同不平衡处理下的性能，XGBoost（XGB）配合原生类别权重表现最优（AUC=0.79，平衡准确率72.9%，召回率66.3%）。滞后分析表明，第4个滞后期（采样前28-35天）性能最佳（AUC=0.771，召回率66.3%），表明该时期的气候条件最具预测价值。
* **3.3.2 特征重要性分析**：利用SHAP（Shapley Additive Explanations）值分析XGBoost（XGB）模型在第4滞后的贡献。降水相关变量（如高降雨日数、中降雨日数、轻降雨日数）是最重要的预测因子，更多的降雨日与较低的预测污染概率相关（负SHAP值）。极高湿度日数和低湿度日数也主要呈负贡献；而高湿度日数（80-90%）呈正贡献。极端高温日数呈负贡献，而温暖日数（20-30°C）呈现异质性模式。总体而言，温暖和中度湿润条件与较高的预测污染概率相关，而极端条件则相反，凸显了非线性关系。
**总结讨论与结论**
讨论部分指出，本研究的主要创新在于直接在食品生产阶段（通过国家监测计划的盲肠样本）研究气候与沙门氏菌（Salmonella）污染的关联，同时分析了包含温度、相对湿度和降水强度的12个气象变量，并考虑了多个滞后期的延迟效应。四星期滞后期的发现强调了在评估污染时需要考虑累积和延迟的气候暴露。降雨频率与污染风险呈负关联，可能由于稀释或冲刷过程；而温暖（20-30°C）和中度湿度（70-90%）与风险增加相关，这与沙门氏菌（Salmonella）的生长和存活知识一致。研究局限性包括数据集规模（3,784份样本）和时间跨度（仅两年）有限，缺乏农场和管理层面因素（如养殖系统、生物安全措施等），且未进行独立外部验证。未来方向包括整合非气候变量、扩展时空尺度、在不同气候区验证模型，并结合IPCC气候情景开发早期预警系统。
研究结论翻译如下：本研究为法国禽类中沙门氏菌（Salmonella）的时空分布及其与气候条件的关联提供了新见解。通过使用机器学习（ML）方法分析一组全面的气象变量，研究人员确定了与屠宰场肉类污染风险最密切相关的气候因素，包括降水模式、湿度和温度，以及它们在前几周的延迟效应。一个最优四星期滞后期的确定凸显了在预测沙门氏菌（Salmonella）污染风险时考虑时间动态的重要性。研究结果表明，温暖温度和中度湿润条件与较高的沙门氏菌（Salmonella）检出预测概率相关，而频繁降雨则与较低的污染流行率相关，这可能是由于农场中的稀释和环境冲刷过程。这些结果突出了气候-病原体关系的非线性和情境依赖性，并强调了在评估食品安全风险时考虑多个气候变量及其相互作用的重要性。本研究中开发的预测框架，特别是XGBoost（XGB）模型，展示了机器学习（ML）方法支持气候信息监测的潜力。当与更大的数据集、非气候风险因素和空间明确的气候情景相结合时，这种方法可有助于开发早期预警系统、针对性监测策略和适应性干预措施，旨在增强禽类部门在气候变化下对新兴微生物风险的韧性。
