《Frontiers in Public Health》：From graph models to intelligent decision-making: a review of spatio-temporal graph neural networks for regional disease risk prediction and etiology mining
背景：区域疾病风险预测是公共卫生预警系统的核心组成部分。传统统计模型和机器学习方法在处理多源异构数据融合、复杂时空依赖建模以及可解释病因挖掘方面存在固有局限，难以满足精准实时公共卫生决策的需求。目的：本综述系统考察了时空图神经网络（ST-GNN）和多源数据融合技术在区域疾病风险预测和病因挖掘中的方法学进展、应用场景及未来方向，旨在为公共卫生研究人员、政策制定者和数据科学家提供连接前沿技术与实际应用的桥梁参考。方法：遵循PRISMA框架，研究人员系统检索了Web of Science、PubMed和IEEE Xplore数据库2023–2026期间的文献，最终纳入76篇核心研究，构建了涵盖图构建、融合策略、时空建模和可解释病因挖掘的四层方法学框架。结果：从预测任务（单病预测、多病协同预测、长期外推）和病因挖掘（空间传播追踪、时间模式归因、多因素交互分析）两个维度回顾了代表性工作，识别出五大技术挑战：动态图结构建模、跨模态异构融合、预测与可解释性的权衡、分布外泛化以及隐私保护联邦学习；同时补充了公共卫生实践中的实施约束，包括数据可用性、计算效率和政策协调。结论：本综述的主要贡献在于构建了整合预测与病因挖掘的统一方法学框架，并系统综合了前沿技术与实际实施中的挑战和未来路径。ST-GNN在提高预测准确性和可解释性方面展现出显著优势。未来发展应深度融合基础模型和因果推断，构建“预测–干预–评估”闭环系统，为全球特别是中低收入地区构建区域疾病预警系统和制定公共卫生干预策略提供可操作的方法学参考，从而提升公共卫生应急响应能力和健康公平性。
1 引言
准确的区域疾病风险预测与潜在致病因素的挖掘一直是公共卫生预警系统的核心目标。从传统的流感监测到新发传染病暴发预警，从慢性病的地理学研究到媒介传播疾病的时空建模，研究人员始终寻求回答两个基本问题：疾病将在何时何地发生？为何发生？这分别对应预测任务和病因挖掘任务，二者相辅相成——准确的预测需要理解病因，而病因的验证依赖于预测。COVID-19和登革热等传染病的跨区域传播对公共卫生系统的时空预测能力提出了迫切需求。然而在现实场景中，数据分散在多个部门（如疾控、气象、电信），传播机制动态受人口流动、环境变化和政策干预等因素影响，传统方法难以支持高效干预决策。近年来，时空图神经网络（ST-GNN）的出现为克服这些局限提供了新可能。图神经网络天然适用于建模疾病传播的空间结构（如区域间人口流动网络、地理邻接关系），而时序建模能力（如门控循环单元、时间卷积网络）捕捉疾病的时间动态变化。结合多源数据融合技术，ST-GNN能在统一框架内整合气象、人口流动、社会经济、医疗资源等多模态数据，既提高预测精度，又通过注意力机制等可解释组件揭示疾病传播的关键驱动因素。现有综述或关注图神经网络在医疗中的一般应用，或强调特定流行病预测任务，少有研究将“预测”与“病因挖掘”作为统一问题并融入因果推断视角。本综述的创新点包括：（1）系统回顾基于ST-GNN的疾病风险预测中的数据融合策略和时空建模方法，以方法学框架为主线；（2）将病因挖掘提升至与预测同等地位，综述可解释方法和因果推断技术在该领域的应用进展；（3）基于最新研究（2023–2026）提炼当前挑战与未来方向，特别关注动态图学习、基础模型集成、因果推断和健康公平等前沿议题。
2 检索方法和基本概念
2.1 PRISMA文献检索流程
为系统回顾2023至2026年ST-GNN在区域疾病风险预测中的研究进展，本研究遵循PRISMA框架进行文献检索与筛选。检索数据库包括Web of Science核心合集、PubMed、IEEE Xplore；检索期为2023年1月1日至2026年3月14日；检索词为（“spatio-temporal graph neural network” OR “ST-GNN” OR “graph neural network” OR “GNN”）AND（“disease prediction” OR “epidemic forecasting” OR “infectious disease” OR “public health surveillance”）AND（“multimodal” OR “multi-source” OR “data fusion”）。纳入标准：（1）发表于同行评审期刊或会议；（2）研究对象为区域性疾病（非个体水平）；（3）方法包含图神经网络和时空建模；（4）明确涉及多源数据融合；（5）包含预测或病因挖掘任务。排除标准：（1）仅使用传统统计或机器学习方法；（2）仅关注无空间维度的个体电子健康记录；（3）非英文文献；（4）非原创研究的综述、评论等；（5）未通过质量评估。初检获得1247条记录，去重后剩余892条，经标题和摘要筛选排除732条，对160篇全文评估，排除84篇（32篇方法无关，28篇无多源融合，24篇数据不完整），最终纳入76篇核心研究。
2.2 时空图神经网络的核心思想
时空图神经网络将图神经网络扩展至时空数据，其核心是将研究区域抽象为图结构，节点代表地理单元（城市、区县），边代表单元间的空间关系（邻接、流动、相似性）。每个节点关联随时间变化的特性序列（历史病例数、气象指标等）。模型通过图卷积操作捕获空间依赖，通过时序模块捕获时间依赖，最终输出未来时间步的预测或潜在风险表示。数学上，ST-GNN层可形式化为：H(l+1) = σ(Temporal(GCN(H(l), A)))，其中H(l)为第l层节点表示，A为邻接矩阵，GCN为图卷积操作，Temporal为时序建模模块（如LSTM、TCN、注意力机制），σ为激活函数。现有方法按空间图卷积实现分为三类：谱方法（基于图拉普拉斯矩阵的谱分解，如Chebyshev多项式近似）、空间方法（图上直接邻域聚合，如图注意力网络GAT）、扩散卷积方法（基于随机游走定义图卷积，如DCRNN）。时序建模主要包括三种架构：循环神经网络（RNN/GRU/LSTM）、时间卷积网络（TCN）和自注意力机制（Transformer）。
2.3 多源数据融合的分类与策略
区域疾病预测涉及的数据源大致分为四类：（1）流行病学数据：历史病例数、发病率、死亡率等；（2）环境与气象数据：温度、降水、湿度、空气质量等；（3）人口与社会经济数据：人口密度、年龄结构、GDP、医疗资源分布等；（4）动态行为数据：人口流动轨迹、手机信令数据、社交媒体趋势等。ST-GNN中的多源数据融合主要采用三个实现层次：早期融合（输入层拼接多源特征形成高维节点特征向量，简单但可能忽略模态异质性）；中间融合（各模态通过子网络分别编码，在隐藏层融合，当前主流策略，尤其利用注意力机制动态融合不同模态的表示）；晚期融合（各模态独立预测，通过集成学习组合结果，适用于模态弱互补或需保留各模态独立可解释性的场景）。此外，多源数据融合必须解决数据缺失问题，需设计鲁棒融合策略。
3 方法学框架：技术路径与公共卫生适应性
综合现有研究，本文总结了ST-GNN用于区域疾病风险预测与病因挖掘的四层框架，每层辅以公共卫生适应性考量。
3.1 图构建层
3.1.1 技术路径：定义节点与边。节点通常为地理单元（省、市、区县）。边可基于以下关系构建：（1）地理邻接：基于行政区划；（2）通勤流：基于人口流动数据的动态连接；（3）经济联系：基于GDP、贸易流的相似性；（4）动态自适应图：数据驱动的可学习邻接矩阵。
3.1.2 公共卫生适应性：图结构设计应与公共卫生监测使用的行政区划一致，以直接支持区域化干预。例如基于区县级地理单元的图结构可使预测结果直接用于划定高风险区和分配防控资源。人口流动图需考虑流动性数据的时空粒度——周通勤数据适用于慢性传播疾病，日流动数据对急性传染病更有价值。中低收入地区缺乏详细流动数据时，应设计基于地理邻接或经济相似性的替代图结构以确保方法普适性。
3.2 数据融合层
3.2.1 技术路径：整合多源异构数据生成高维节点表示，策略包括：（1）拼接融合：直接拼接多源特征；（2）注意力融合：通过跨模态注意力机制动态加权不同模态；（3）张量融合：基于外积操作建模模态间高阶交互；（4）对比学习融合：通过模态间对比损失学习共享表示。
3.2.2 公共卫生适应性：多源数据融合必须考虑公共卫生数据可用性的差异。高收入地区可能有详细手机信令流动数据，而中低收入地区可能仅有普查数据。融合策略需具备鲁棒性并能处理数据缺失场景——例如流动数据缺失时，模型可退化为仅依赖地理邻接图；气象站点稀疏时需设计空间插值模块。此外，融合结果应保持可解释性，使公共卫生人员理解不同模态对预测的贡献权重。
3.3 时空建模层
3.3.1 技术路径：核心预测模块并行或串行建模时空依赖。常见架构包括：（1）STGCN：时间卷积与图卷积交替；（2）DCRNN：扩散卷积与门控循环单元结合；（3）Graph WaveNet：膨胀因果卷积与自适应邻接矩阵；（4）时空注意力网络：基于Transformer的自注意力机制；（5）状态空间模型（SSM）：结构化状态空间捕获长程依赖。
3.3.2 公共卫生适应性：时空建模应匹配疾病传播的时态尺度。急性传染病（如流感）需捕捉每日或每周动态，慢性病（如糖尿病）可能涉及每月或每季度变化。模型应具备多尺度建模能力——识别短期暴发信号同时把握长期趋势。此外，预测置信区间对公共卫生决策至关重要，模型应提供概率预测而非点估计，以支持分级风险预警。
3.4 病因挖掘层
3.4.1 技术路径：通过以下方法揭示影响疾病风险的关键因素和传播路径：（1）注意力可视化：分析空间/时间注意力权重；（2）归因分析：基于梯度、Shapley值、积分梯度等计算特征重要性；（3）反事实推理：模拟干预措施下的疾病轨迹；（4）因果结构学习：从数据中发现变量间因果关系。
3.4.2 公共卫生适应性：病因挖掘结果需转化为公共卫生人员可理解的语言。例如，空间注意力权重可识别导致“输入性风险”的源区域；时间注意力可揭示“潜伏-暴发”期的关键时间窗口；特征归因能量化气象因素相对于人口流动的相对贡献。这些见解可直接支持干预策略制定——若人口流动是主要驱动，应加强交通检疫；若气象因素主导，则应尽早启动病媒控制。
4 疾病风险预测：从单病到多病协同
4.1 ST-GNN在单病预测中的应用
单病预测是ST-GNN在流行病学中最成熟的应用场景。例如，一项研究将STGCN模型迁移至登革热预测，整合气象、社会经济和环境变量，在九个美洲国家表现优于随机森林（R2 0.78–0.98）。该研究的关键贡献是证明源自城市计算的ST-GNN架构能有效捕捉疾病传播的时空异质性。更具方法论创新的是因果感知深度学习（CADL）框架，它整合有向无环图发现、混合图神经网络、Transformers和结构因果模型，用于气候敏感传染病（如登革热）预测，在合成实验中平均绝对误差比LSTM、Transformer和GNN基线降低26.8%，并能进行RCP 4.5和8.5气候情景下的反事实预测。对于COVID-19预测，STEP框架将城际流动模式编码为图结构，通过多头注意力提取隐式传播特征；Cola-GNN通过跨区域注意力实现流感长期预测；CSTGNN结合基于物理的SIR模型与可学习的时空GCN嵌入，同时提供准确预测和可解释的流行病学参数（如再生数R0和自适应接触矩阵）。
4.2 多病协同预测
多种疾病并发（如流感与RSV、手足口病与登革热时空重叠）对预测模型提出更高要求。近期提出的动态时空图注意力网络（ST-GAT）首次在统一框架内同时预测流感、手足口病、登革热和RSV。其关键创新包括：（1）构建融合地理邻接和人口流动的动态多关系图；（2）引入分布感知的负二项解码器处理计数数据的过离散；（3）实现跨疾病泛化改进，MAE降低34%。多病协同预测的优势在于不同疾病可能共享相似传播媒介或环境驱动因素，联合建模有助于提取共性模式并提高数据稀疏区域的预测性能。从公共卫生视角，这可支持构建综合监测系统，在同一平台同时监测多种疾病暴发风险，提升整体预警效率。
4.3 重症监护中的动态预测
ST-GNN的应用也从区域疾病预测延伸至个体层面（如重症监护）。Graph-spa是一种动态时空图神经网络，用于急性呼吸窘迫综合征（ARDS）的早期预测。其核心创新包括：（1）动态更新邻接结构以捕捉临床变量间演化的相互作用；（2）整合时间卷积层与ST-GNN以捕获局部和非局部时间依赖；（3）结合基于掩码的可解释性方法生成特征-时间归因分数，并通过共现分析识别ARDS发病前12小时内的持续特征激活模式。在HiRID、MIMIC-IV和eICU三个数据集上，Graph-spa在AUC、F1分数和MCC方面优于GRU、LSTM、TCN、Transformer和STGNN基线。
4.4 长期预测与暴发检测
实际应用中，公共卫生决策既需要短期预警（提前1–4周）也需要长期趋势预测（季度甚至年度）。现有ST-GNN在短期预测中表现出色，但在长期外推面临挑战。深度状态空间模型（SSM）通过结构化潜在空间可有效捕获长程依赖，为长期预测提供新途径。结合神经常微分方程（Neural ODE）与传播图构建连续时间动态模型（如EARTH框架）可在保持可解释性的同时增强长期预测。暴发检测是另一重要方向，研究表明ST-GNN能在病例激增的早期阶段（1–2周）识别异常信号，为干预措施赢得关键时间窗，这符合《国际卫生条例（2005）》对快速增加初期尽早警报的要求。
5 病因挖掘：从预测到理解
如果说预测回答了“什么”和“何时”，病因挖掘则回答“为什么”——这是可解释人工智能（XAI）和因果推断在公共卫生中的核心价值。
5.1 空间传播路径识别
ST-GNN中的图注意力机制天生提供空间归因能力。通过学习节点间注意力权重，模型可识别对目标区域风险贡献最大的源区域，从而揭示疾病传播路径。研究显示ST-GAT学到的空间注意力权重与实际通勤流高度相关，表明模型捕捉到了符合流行病学直觉的传播模式。类似地，Cola-GNN中的跨区域注意力可识别流感传播的“枢纽城市”。从公共卫生角度，这些见解可支持“输入性风险”的源头控制——例如若某城市流感风险主要来自特定通勤枢纽，可在该枢纽加强体温筛查和健康教育。
5.2 时间模式归因
除空间维度，模型还需回答：哪些历史时间点对当前预测最关键？时间注意力机制发挥作用。研究表明ST-GAT的时间注意力集中在1–4周的滞后周期，与登革热等疾病的潜伏期和传播周期紧密匹配。这种时间归因赋予模型预测生物学合理性，增强决策者信任。Graph-spa中基于掩码的归因方法更进一步，不仅能识别关键时间点，还通过共现分析发现持续特征激活模式——例如血清钾异常结合格拉斯哥昏迷评分下降共同构成ARDS早期风险特征组合，这类特征组合可为临床预警规则的制定提供依据。
5.3 多因素交互分析
疾病传播往往是多因素复杂交互的结果。例如温度和降水直接影响蚊媒密度，同时也通过影响人类活动间接改变接触模式。传统回归模型难以捕捉此类交互效应，而ST-GNN可通过非线性变换和多层网络隐式建模这些关系。CADL框架将因果结构学习引入深度学习，通过有向无环图发现自动识别变量间的因果关系（而非单纯相关性），该方法能区分气象因素的直接与间接效应，为干预设计提供因果证据——若某因素的作用完全由人口流动中介，干预应聚焦于流动而非直接控制该因素。此外，Shapley值和积分梯度等事后解释方法广泛用于输入特征重要性的定量分析。
5.4 反事实推理与政策评估
更高层次的病因挖掘是反事实推理：如果实施不同的干预（如旅行限制、疫苗接种），流行病轨迹将如何改变？这是CADL框架的核心贡献——在不同气候变化情景（RCP 4.5和RCP 8.5）下进行反事实预测，支持适应性公共卫生策略。ST-GAT研究将预测模型嵌入多目标优化引擎，评估疫苗优先策略、流动限制策略及其组合的成本效益，结果显示疫苗优先在成本效益和公平性方面表现最佳。这一方向标志着ST-GNN正从“预测工具”演变为“决策支持工具”，使公共卫生决策者能在多种干预选项中做出循证选择。
6 当前挑战：技术瓶颈与公共卫生实施约束
尽管ST-GNN在疾病风险预测和病因挖掘中潜力巨大，该领域仍面临系统性挑战。本节概述五大技术挑战及其相关的公共卫生实施约束。
6.1 动态图结构建模
技术挑战：大多数现有研究依赖静态图（固定邻接矩阵），但实际疾病传播网络是动态的：人口流动随季节和政策变化，新交通连接改变区域连通性，公共卫生干预暂时破坏传播路径。如何将动态图结构（即随时间变化的图）纳入模型仍是开放问题。虽有ROLAND等动态图学习框架提供初步思路，Graph-spa通过更新邻接矩阵展示了动态图潜力，但流行病学场景中的系统应用仍然缺乏。
公共卫生实施约束：公共卫生干预（如封锁、交通管制）动态改变疾病传播网络，模型更新速度必须匹配公共卫生应急响应的实时性要求。例如在疫情早期，干预政策可能每日调整，要求模型快速响应图结构变化。若模型更新滞后数天，预测可能严重偏离实际传播模式，错失干预窗口——假设某城市在首例病例发现后第二天实施交通管制，但静态图模型继续基于原流动模式预测未来风险，将高估无干预下的暴发规模，误导资源分配。
6.2 跨模态异构融合
技术挑战：尽管多源数据丰富，但模态间存在显著异质性：气象数据是高频率连续值，社会经济数据是低频率离散值，文本数据（新闻、政策文件）是非结构化信息。当前主流做法将非结构化数据转换为结构化特征，此过程可能导致信息丢失。“数字组学–数字生物标志物–数字表型”三层架构为多模态队列设计提供了理论框架，但其计算复杂度和可解释性需进一步验证。近期研究开始探索视觉语言模型与图神经网络的深度融合，但临床应用仍处于早期阶段。
公共卫生实施约束：多源数据融合必须考虑公共卫生数据可用性的差异——中低收入地区可能缺乏手机信令数据、精细气象站数据，可能仅有普查数据和手工报告病例。融合策略需具备“优雅降级”能力：当精细数据缺失时，模型仍能基于粗粒度数据产生合理预测，避免因数据鸿沟加剧健康不平等。例如在撒哈拉以南非洲，若无流动数据，地理邻接图结合夜间灯光数据（作为经济活动代理）仍可提供参考性预测。
6.3 预测与可解释性的权衡
6.3.1 技术挑战：高预测精度往往依赖复杂深度网络，而这常常牺牲可解释性。尽管注意力机制提供了一定解释，但学界对其是否真实反映模型决策基础存在争议。研究表明注意力权重可能与基于梯度的归因不一致。临床医生需要更简化的视觉解释来支持实际决策。如何在保持预测精度的同时提供忠实解释仍是研究热点。
6.3.2 公共卫生实施约束：公共卫生决策涉及多方利益相关者——政策制定者、一线卫生工作者和公众，各自对可解释性需求不同。政策制定者关注“哪些因素是可操作的”，一线工作者关心“哪里是高风险区”，公众想知道“如何自我保护”。模型需提供多层次、可定制的解释输出以满足不同角色的决策需求。例如可向政策制定者呈现特征重要性排序和反事实模拟结果，而向公众提供简化的风险等级地图和防护建议。
6.4 分布外泛化
6.4.1 技术挑战：ST-GNN在训练分布内的时间段和区域表现优异，但面对新发疾病（无历史数据）、政策干预导致传播模式剧变、或模型迁移到不同地理区域时，性能常显著下降。这种分布外（OOD）泛化问题是从学术研究转向实际应用的关键瓶颈。因果表示学习和结构化状态空间模型被视为潜在解决方案。
6.4.2 公共卫生实施约束：中低收入地区疾病数据稀疏，传播模式与高收入地区差异显著，ST-GNN的跨区域泛化成为全球健康公平的关键技术瓶颈。例如基于欧美数据训练的流感预测模型直接迁移到非洲可能因气候、人口结构和医疗条件差异而失效。需要开发轻量级、可迁移的模型适应方法（如迁移学习、元学习）以支持全球公共卫生技术转移。世界卫生组织报告也强调AI模型必须适应不同资源环境，避免“一刀切”导致的技术不平等。
6.5 隐私保护联邦学习
6.5.1 技术挑战：多源数据常分布在疾控、气象、电信等不同机构，因隐私和安全法规难以集中。联邦学习提供了技术路径——模型本地训练，仅聚合梯度更新。但ST-GNN适配联邦学习存在挑战：跨机构共享图结构可能泄露拓扑信息，异构数据统计分布差异影响模型收敛。
公共卫生实施约束：疾控中心、气象局和电信运营商间共享公共卫生数据不仅面临技术挑战（如拓扑信息泄露），还受制于各地区数据管理法规差异。例如欧盟GDPR和中国数据安全法对跨机构数据共享有不同要求。解决方案需技术与政策协同——技术上设计隐私保护图联邦学习协议（如差分隐私、安全多方计算）；政策上推动建立跨机构数据共享标准和治理框架。实现全球健康公平需同时解决技术能力和法律协调问题。
7 未来方向：面向公共卫生的技术发展
7.1 基础模型与ST-GNN的集成
大语言模型和视觉基础模型在多模态理解任务中展现了强大的通用能力，为流行病学研究带来新机遇。一个可预见的方向是使用预训练基础模型作为ST-GNN的“前端编码器”，从气象文本、医学文献、政策文件中提取隐含知识，增强疾病预测的语义理解能力。基于AI语言表示的多模态队列设计框架为此提供了理论支持。
7.1.1 公共卫生导向：预训练基础模型需适应低资源公共卫生数据环境（如发展中国家数据稀缺地区）。应采用迁移学习和少样本学习等技术提高模型在不同公共卫生场景的适应性。例如基于全球数据预训练的基础模型可用少量本地数据微调，快速构建适合中低收入地区的预测系统。“预训练+微调”范式是缩小全球数字健康鸿沟的关键路径。
7.2 认知智能与知识增强
当前ST-GNN主要是数据驱动，未充分利用流行病学领域知识。将传播动力学方程（如SEIR模型）作为物理信息损失引入神经网络，或将传播途径先验知识引入图结构，有望在数据稀疏时仍保持合理且可解释的预测。CSTGNN已结合SIR建模与GCN嵌入进行了初步探索。未来可进一步将因果图作为先验知识纳入模型，实现“数据驱动+知识引导”的混合智能。
7.2.1 公共卫生导向：知识增强需纳入本地化的流行病学参数——潜伏期、传染期和再生数因疾病而异，同种疾病在不同人群也可能不同。模型应具备参数自适应能力，根据实时数据动态调整知识约束。例如麻疹暴发期间，模型可自动加载麻疹特异性传播动力学参数，并利用当地疫苗接种覆盖率数据进行调整以提高准确性。
7.3 因果推断与反事实分析
CADL框架已证明结合因果结构学习、反事实模拟和深度学习能同时提高预测精度和解释性。未来方向包括：（1）从合成数据验证走向真实世界数据验证；（2）将因果发现从静态图扩展到时空动态因果图；（3）建立反事实预测的评估标准。这一方向可将ST-GNN从“预测模型”提升为“因果模型”，为公共卫生干预提供更坚实的科学依据。
7.3.1 公共卫生导向：反事实分析应与公共卫生干预的成本效益评估相结合。例如模拟不同疫苗分配策略的流行病学效应和经济成本，支持决策者在资源约束下做出最优选择。此外需建立反事实预测的验证框架——由于现实无法同时观察干预与非干预状态，应设计准实验方法（如断点回归、双重差分）来评估反事实预测的准确性。
7.4 从预测到决策的闭环优化
预测本身不是终点，干预决策才是。结合ST-GNN与强化学习和多目标优化，构建“预测–干预–评估”闭环系统——模型不仅能预测“不采取行动会发生什么”，还能推荐“应采取什么行动”并评估后果，是迈向智能公共卫生决策的关键一步。ST-GAT研究已初步证明了该方向的可行性。
7.4.1 公共卫生导向：构建“预测–干预–评估”闭环时，应确保公共卫生政策制定者和一线卫生工作者的参与，以保证模型推荐的干预策略符合当地资源现实和社会接受度。具体需设计可量化的反馈指标：（1）干预成本：每项干预措施的经济支出；（2）健康收益：避免的病例数、死亡数、质量调整生命年（QALYs）；（3）公平性指标：不同收入群体、城乡间的收益差异。这需要与健康经济学和政策评估跨学科合作，建立跨学科评估框架。例如强化学习的目标函数可设计为在成本约束下最大化健康收益与公平性的加权和。
7.5 公平性与算法审计
资源分配的公平性是公共卫生决策的核心伦理考量。未来研究需解决：ST-GNN预测误差是否存在跨地区或人群的系统性差异？模型是否对资源本就稀缺的地区产生不准确预测？将公平性约束纳入模型设计和评估是负责任AI的基本要求。伦理挑战需在算法设计中具体化落实。最后，算法审计应纳入公共卫生技术应用监管流程。建议模型评估标准强制包含弱势群体和地区的性能审计报告，确保模型部署前通过公平性测试。部署后需持续监控公平性指标，及时检测和纠正出现的偏差。健康公平必须成为数字公共卫生技术的核心设计原则，而非模型开发后的补充。此外，系统审计框架必须考虑医疗资源分配的不平等，防止AI系统无意中扩大现有差距。
7.5.1 公共卫生导向：需建立ST-GNN模型的公共卫生公平性评估框架，包括：（1）不同地区收入水平间的预测误差差异；（2）不同年龄结构人群间的预测误差差异；（3）确保资源稀缺地区模型性能的机制。未来模型评估标准应强制包含弱势群体/地区的性能审计报告，确保部署前通过公平性测试。已有研究提出了包含误差分解、再分配分析和反事实公平性测试的系统性公平性评估框架。此外，算法审计应融入公共卫生技术应用监管，确保部署后持续监控公平性指标并及时纠正潜在偏差。《柳叶刀·公共卫生》呼吁健康公平应成为数字公共卫生技术的核心设计原则。
8 结论
本综述系统考察了时空图神经网络和多源数据融合在区域疾病风险预测与病因挖掘中的研究进展。从方法学角度看，ST-GNN通过统一图学习框架整合空间依赖、时间动态和多模态特征，在预测精度上超越传统模型，并通过注意力机制、归因分析和因果推断揭示疾病传播的关键驱动因素。从应用角度看，该范式已从单病预测扩展到多病协同预测、重症监护动态预测、长期外推和干预优化。然而，在动态图结构、分布外泛化、隐私保护等方面仍存在挑战，需要学术界和产业界共同努力。展望未来，当ST-GNN能深度融合基础模型、纳入因果推断能力、稳定提供准确、可解释且公平的预测，并深度嵌入公共卫生决策过程时，我们才能真正实现从“看见流行病”到“驾驭流行病”的飞跃。未来ST-GNN与公共卫生的深度融合不仅将实现从“看见流行病”到“驾驭流行病”的飞跃，还将为全球公共卫生治理体系现代化提供技术支撑，助力缩小不同地区间的技术鸿沟，推进全球健康公平目标的实现。
