基于机器学习和数字流行病学信号的急性呼吸道感染超本地化预测：土耳其多省份研究

《BMC Public Health》：Hyperlocal forecasting of acute respiratory infections using machine learning and digital epidemiology signals: a multi-province study in Türkiye

　　**摘要****背景**急性呼吸道感染（ARI）是疾病负担和卫生系统季节性压力的主要因素之一。传统监测系统依赖临床和实验室报告，常导致延迟，从而限制及时的健康应对措施。本研究旨在评估将常规监测数据与数字搜索行为和气象变量相结合，能否改善区县级ARI的短期预测。**方法**我们对土耳其气候差异明显的四个省份中69个区在五年期间的ARI周发病率进行了分析。区县级流行病学数据与气象指标和Google Trends搜索数据相结合。我们开发了多种机器学习模型，包括岭回归、随机森林、XGBoost和集成方法，以及单变量ARIMA基线模型，用于预测未来一、两周的ARI发病率。模型性能通过R2和平均绝对百分比误差（MAPE）进行评估，并设定了预先确定的操作可靠性阈值。**结果**预测模型展现出中等偏上的预测性能，提前一周预测的中位R2为0.45。总体而言，92.8%的区达到预先设定的可靠性阈值（MAPE < 50%）。基于近期发病率趋势的模型，尤其是岭回归，表现与更复杂的方法相当或更优。自回归特征是最强的预测因子，而气象变量的额外解释力有限。Google Trends指标提供了补充信息：症状相关搜索与观察到的发病率高度一致，而更广泛的认知相关搜索往往先于病例数的后续下降，推测反映了主动行为转变。疫情时间的地理梯度现象明显，北部区比南部区提前约7周达到疫情高峰。**结论**区县级ARI短期预测借助以近期发病率数据为主的简单、可解释模型是可行的。数字行为信号的整合可以增强态势感知，并支持及时的公共卫生决策。观察到的区域疫情时间差异提示了因地制宜干预策略的潜在价值，包括疫苗接种时间的安排。