一个基于指数的系统用于潜在人畜共患疾病暴发的早期警报

《PLOS One》：An index-based system for early alerts of potential zoonotic disease outbreaks

　　

野生动物健康信息系统（SISS-Geo）是一个免费平台，旨在通过移动设备实时收集关于野生动物健康和环境条件的空间参考数据。它作为一个协作工具，使健康专业人员、研究人员、环境管理人员和公众能够直接在系统中报告野生动物健康事件的信息。自2014年启动以来，SISS-Geo已成功应用于巴西重大野生动物健康事件期间的决策支持。在本文中，研究人员介绍了一个基于多属性人畜共患警报指数（Z-Alert）的动态警报系统，以增强野生动物疾病暴发的检测和响应能力。所提出的方法通过集成聚类技术和多目标优化，改进了SISS-Geo平台当前的警报系统。聚类阶段将时空相关的SISS-Geo记录（包括被报告为存活、死亡或患病的动物观察结果）进行分组，从而识别出对流行病学监测相关的模式。每个被识别的聚类都被赋予一个数值警报指数，即Z-Alert指数，该指数基于最优加权属性（如死亡动物百分比、时间间隔和地理扩散程度）反映其关注级别。该系统还提供可定制的警报阈值，允许健康管理人员根据其特定需求调整警报系统。为验证该模型，研究人员使用了巴西卫生部历史上的黄热病病例数据。通过支持监测团队优先考虑预防和调查行动，该系统增强了公共卫生当局通过支持风险评估、优化资源分配和促进成本效益高的疫情控制策略来有效应对的能力。

### 论文解读：基于多属性人畜共患警报指数的早期预警系统

#### 研究背景与问题

人畜共患疾病（zoonotic diseases）的暴发是全球公共卫生的重大威胁。研究表明，约60%的新发传染病（EIDs）事件源于动物源性病原体，其中约72%与野生动物相关。有效的监测和预防需要跨学科合作，即“全健康（One Health）”理念，该理念强调人类、动物和环境健康之间的相互联系。巴西由于其环境和流行病学复杂性，尤其需要综合性监测策略。巴西野生动物健康信息系统（SISS-Geo）是一个旨在通过移动设备实时收集野生动物健康和环境空间参考数据的协作平台，自2014年启动以来，在支持黄热病（YF）等重大公共卫生事件决策中发挥了重要作用。然而，其当前的警报系统基于固定规则，例如，一旦有非人灵长类动物（NHP）死亡或患病报告，系统便自动向注册的健康管理人员发送邮件通知。这种机制无法区分事件的关注级别，未能考虑区域变异性，导致难以优先处理最具影响的事件，从而降低了调查和干预措施的效率。因此，迫切需要一种能够量化事件风险、支持优先排序的动态警报系统，以优化资源分配，提升早期检测和响应能力。

#### 研究内容与结论

为克服上述局限，研究人员提出了一种基于多属性人畜共患警报指数（Z-Alert）的动态警报系统。该系统旨在通过集成数据聚类技术和多目标优化（MOP），将SISS-Geo平台上的原始记录转化为可分析的结构化单元，并赋予每个时空聚类一个量化风险水平的数值指数。研究以黄热病为案例，利用SISS-Geo中的非人灵长类动物（NHP）相关记录作为潜在黄热病毒循环的哨兵信号。通过将系统生成的警报与巴西卫生部（BMoH）的官方黄热病确诊病例数据进行比对验证，结果显示，该指数能够以较高的精度（Precision）识别与黄热病病例相关的聚类，并具有根据不同操作需求（如优先发现病例或减少假警报）调整敏感性和特异性的灵活性。该研究不仅证明了系统在黄热病监测中的有效性，也强调了其可定制性，例如可以调整空间/时间聚类参数和警报阈值（threshold level），以适应不同区域的具体情况。论文发表于《PLOS One》。

#### 主要关键技术方法

研究人员主要采用了以下关键技术方法：
1. **数据预处理与过滤**：从SISS-Geo平台筛选出与特定事件（如黄热病）相关的记录，仅保留GPS定位或用户明确提供位置且误差在100米内的数据，以确保空间可靠性。数据来源明确为SISS-Geo平台。
2. **时空聚类**：采用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法，基于预计算的空间-时间距离矩阵，将时空上相关的记录（如动物死亡、生病报告）分组为聚类集群。空间距离基于测地距离，时间距离基于天数，两者均被归一化处理。
3. **多目标优化（MOP）**：构建一个优化问题，同时最大化关键聚类（即包含确诊病例的聚类）的Z-Alert指数均值（f1）并最小化其方差（f2），以确定各属性（如死亡动物数量、死亡百分比等）的最优权重。使用SLSQP（Sequential Least Squares Programming）方法求解。
4. **Z-Alert指数构建与验证**：基于优化后的属性权重，为每个聚类计算Z-Alert指数。使用巴西卫生部（BMoH）提供的全国黄热病确诊病例记录（包括人类和NHP）进行验证，通过混淆矩阵（confusion matrix）评估系统性能，并采用30天前向验证窗口来检验系统在官方确诊病例确认前发出预警的能力。

#### 研究结果

**1. Pareto前沿分析**
对多目标优化结果的分析显示，各解之间存在权衡关系。当权重参数w变化时，目标函数f1（最大化关键聚类均值）和f2（最小化关键聚类方差）表现出典型的Pareto前沿（Pareto front）特征。其中，均匀分配权重的实验（方案12）产生了一个被支配的解，证实了优化过程的必要性。方案9、10、11（w值为0.8-1.0）将100%权重分配给“死亡动物数量”属性，在最大化f1方面表现最佳，但f2显著恶化。方案6（w=0.5）提供了一个良好的平衡点，在保持较高f1值的同时，显著优化了f2，被视为最佳折衷方案。

**2. 属性权重分析**
通过对不同优化方案下属性权重的分析发现，“死亡数量”属性在大多数实验中表现出关键作用，尤其是在平衡两个目标时。例如，在方案5和6中，“死亡数量”与“死亡百分比”等属性共同作用，实现了良好的权衡。方案1-4则侧重于最小化f2，其中“死亡百分比”和“时间间隔”属性权重较高。这表明，不同属性在不同优化目标下的重要性各异，优化过程能有效识别出对区分关键与非关键聚类最重要的属性组合。

**3. Z-Alert指数验证**
利用巴西卫生部数据对Z-Alert指数进行验证，结果显示系统性能高度依赖于所选阈值。在较低阈值（如0.80）下，系统产生大量警报，敏感性（Sensitivity）极高（可达0.98），但特异性（Specificity）较低；随着阈值提高至0.99，警报数量锐减，特异性显著提升（可达0.97），但敏感性大幅下降。精确率（Precision）在不同阈值和方案下保持相对稳定（约0.52-0.65），表明系统在生成警报时具有较高准确性。方案6在阈值0.90时实现了敏感性和精确率的最佳平衡。此外，系统的泛化能力（Generalization）良好，即使在优化过程中仅使用了少量含确诊病例的聚类，也能成功识别出其他关键聚类。

**4. 时间验证与规则对比**
在2025年的独立数据集上进行时间验证，系统表现出了与之前实验一致的行为模式，证明了其良好的泛化能力。与当前基于固定规则的警报系统（每年产生约14,000次邮件通知）相比，提出的Z-Alert指数在2025年数据上仅产生48次警报（在阈值0.80下），显著减少了信息过载，并优先处理了流行病学相关性更高的事件，从而支持更高效的资源分配。

#### 讨论与结论

**讨论部分**总结：阈值的选择至关重要，直接影响警报数量与系统性能。低阈值提高敏感性，有利于广谱监测；高阈值提高特异性，适用于高风险区域或资源有限情况。区域卫生当局应根据本地监测能力、流行病学背景和报告模式建立与不同警报级别相对应的响应规程。基于Pareto前沿分析，追求最大f1的方案（如方案11）更擅长识别真实病例，但可能产生更多假阳性；寻求平衡的方案（如方案6）是优先选择；而最小化f2的方案（如方案1）则适用于避免假警报。尽管系统表现良好，但其有效性依赖于SISS-Geo数据的质量和覆盖范围，数据缺失、报告延迟和区域覆盖不均会限制其检测能力。此外，该框架与传统的空间热点检测方法在目标上有所不同，本系统旨在根据流行病学相关性对时空聚类进行优先排序，而非仅识别事件集中区域。未来研究将扩展至其他人畜共患病（如狂犬病和禽流感），并探索基于异常检测的通用警报标准，以及整合环境与气候变量。

**结论部分**翻译：开发多属性人畜共患警报指数（Z-Alert指数）代表了SISS-Geo系统内流行病学监测的一项重大进展。通过采用基于聚类和优化的动态分析，所提出的系统克服了当前模型的局限性，实现了对关键区域的主动识别和资源的高效优先排序。使用真实世界数据的实验证明了该指数以高精确度识别与黄热病病例相关的聚类的能力，并能适应不同场景。调整参数（如空间/时间限制和阈值水平）的灵活性确保系统可根据区域特异性、关注的疾病和公共卫生策略进行定制。尽管警报指数在识别可能与黄热病循环相关的聚类方面表现出良好性能，但其对其他人畜共患病的适用性不仅受数据可用性影响，还受确诊病例的影响，因为确诊病例在优化过程中起着关键作用。在数据可用性方面，尽管SISS-Geo也包含与狂犬病和禽流感相关的记录，但这些记录远少于黄热病相关报告，这可能会限制模型在这些背景下的敏感性和泛化能力。虽然该框架被设计为可适应的，但其向其他人畜共患病的可转移性仍有待未来研究证明。