基于气候、水文与病毒流行病学指标的日本和韩国输入性登革热月度风险跨国预测

《Tropical Medicine and Health》:Cross-national prediction of imported dengue risk in Northeast Asia using climate, hydrological, and viral epidemiological indicators

【字体: 大 中 小 】 时间:2026年10月09日 来源:Tropical Medicine and Health 3.9

编辑推荐:

  背景 输入性登革热(imported dengue)仍然是非地方性流行国家(non-endemic countries)的公共卫生问题。当输入性感染与具备传播能力的媒介(competent vectors)及适宜环境条件同时出现时,可能发生本地传播。研究人员开

  
背景
输入性登革热(imported dengue)仍然是非地方性流行国家(non-endemic countries)的公共卫生问题。当输入性感染与具备传播能力的媒介(competent vectors)及适宜环境条件同时出现时,可能发生本地传播。研究人员开发了一个跨国框架,用于预测日本(Japan)和韩国(Republic of Korea)的月度输入性登革热风险。

方法
研究人员分析了2005年1月至2025年6月的月度数据。2020年至2022年因 coronavirus disease 2019(COVID-19)相关结构性变化而被排除。模型拟合于对数转换的旅行量校正后输入性登革热病例风险,并使用出境旅行量将预测反变换为月度病例数。候选预测因子包括太平洋海表温度指数(Pacific Ocean sea surface temperature indices)、偶极子模态指数(Dipole Mode Index, DMI)、季风指数(monsoon indices)、来源地区标准化降水蒸散指数(Standardized Precipitation–Evapotranspiration Index, SPEI)值以及登革病毒血清型优势持续性(dengue serotype dominance persistence)。候选滞后期使用赤池信息量准则(Akaike Information Criterion, AIC)从预设的预测因子特定滞后窗口中选择。在每个国家中,跨72个预测因子集评估了Elastic Net回归(Elastic Net regression)、随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)和极端梯度提升(eXtreme Gradient Boosting, XGBoost)。使用仅趋势和季节性的参考模型评估候选预测因子提供的额外预测信息。选定的基础模型预测使用Elastic Net回归和随机森林作为元学习器(meta-learners)在堆叠集成模型(stacked ensemble models)中合并。

结果
选定的基于Elastic Net的堆叠集成模型在两国均优于参考模型。在日本,均方根误差(root mean squared error, RMSE)从23.875降至7.220,平均方向准确度(mean directional accuracy, MDA)从48.3%升至65.5%。韩国观察到类似改善,RMSE从28.812降至6.313,MDA从44.8%升至65.5%。在拟合的基础模型中,日本的6个月滞后海洋尼诺指数(Oceanic Ni?o Index, ONI)和韩国的5个月滞后尼诺3指数(Ni?o 3 Index, NINO3)显示出相对较高的预测相关性。泰国SPEI也在多个选定基础模型中排名较高。研究人员开发了一个交互式R Shiny应用用于情景预测。

结论
结合气候、水文和病毒流行病学指标(viral epidemiological indicators)的框架在预测输入性登革热方面优于仅基于时间趋势和季节性的模型。这些发现支持在非地方性东北亚(Northeast Asia)采用多维方法进行输入性登革热准备。
论文解读:基于气候、水文与病毒流行病学指标的日本和韩国输入性登革热风险跨国预测

登革热(dengue)是一种蚊媒病毒感染,主要由埃及伊蚊(Aedes aegypti)和白纹伊蚊(Aedes albopictus)传播。尽管登革热传播集中于热带和亚热带地区,但随着全球化,其输入非地方性流行国家(non-endemic countries)的风险增加。气候变化可能扩大或延长适合媒介存活和活动的条件;国际人员流动可将感染旅客在潜伏期或病毒血症期带入非流行区;国际贸易和运输也可在旧轮胎等货物中扩散具备传播能力的媒介(competent vectors)或卵。日本和韩国属于非地方性流行国家,但输入性登革热病例持续发生。日本2014年东京暴发造成162例本地登革热病例,说明当输入性感染与适宜媒介和环境条件重合时,东北亚也可发生本地传播。现有研究已在欧洲、佛罗里达等地利用来源国登革热发病率、航空旅行量、旅客病毒血症概率等预测输入风险;东北亚证据仍有限,韩国既往预测研究局限于部分地区或短期,日本数学模型曾依赖来源国报告病例,但各国监测数据的完整性、及时性和可比性可能不同。因此,研究人员旨在开发并评估日本和韩国的月度输入性登革热风险预测框架,整合出境旅行量、大尺度气候指数、主要来源国干旱指数和登革病毒血清型信息,评估其是否优于仅基于时间趋势和季节性的模型,并支持东北亚输入性登革热早期预警。

在关键技术方法上,研究人员使用日本卫生安全研究所传染病信息网站和韩国疾病管理厅传染病门户的输入性登革热病例数据,日本出入境管理统计表和韩国旅游知识与信息系统的出境旅行者数据;气候指数来自APEC气候中心,SPEI来自SPEI全球干旱监测,登革病毒血清型来自世界卫生组织全球登革热监测仪表板。分析采用2005—2019年训练、2023年1月至2025年6月测试,排除2020—2022年COVID-19影响期。以旅行量校正对数风险为拟合结局,AIC选择滞后,构建72个预测因子集,10折交叉验证比较Elastic Net、RF、SVM和XGBoost,设趋势季节性参考模型,构建堆叠集成,采用Duan smearing反变换,并进行滚动原点验证、变量重要性、预测因子块贡献和敏感性分析,开发R Shiny应用。

研究结果如下。

Temporal distribution of imported dengue cases(输入性登革热病例的时间分布):通过分析日本和韩国月度输入性登革热病例发现,COVID-19前两国均呈反复波动,2020—2022年输入病例明显下降,2023年起随着国际旅行恢复而再次增加。

Predictor specification(预测因子设定):通过最终基础模型预测因子集比较发现,日本4个模型均纳入6个月滞后ONI,DMI仅纳入SVM,2个月滞后的12个月泰国SPEI纳入Elastic Net和XGBoost,6个月滞后的登革病毒血清型优势持续性除Elastic Net外纳入多个模型。韩国所有模型均纳入5个月滞后NINO3,4个月滞后DMI、2个月滞后Webster–Yang Index和2个月滞后Indian Monsoon Index仅纳入Elastic Net,2个月滞后的6个月泰国SPEI出现在所有模型。

Model development(模型开发):通过训练阶段交叉验证发现,RF、SVM和XGBoost在两国RMSE均低于Elastic Net,因此作为堆叠集成的基础学习器;Elastic Net元学习器交叉验证RMSE低于RF元学习器,被选为两国最终集成模型。

Model evaluation(模型评价):Primary model evaluation(主要模型评价)显示,测试期最终集成预测总体跟随月度观测。与仅趋势季节性参考模型相比,日本RMSE由23.875降至7.220,MAE由19.779降至5.577,MDA由48.276%升至65.517%,AUROC由0.863升至0.876,校准斜率由0.361升至0.674;韩国RMSE由28.812降至6.313,MAE由24.078降至5.113,MDA由44.828%升至65.517%,AUROC由0.742升至0.756,校准斜率由0.218升至0.736。Additional rolling-origin temporal validation(附加滚动原点时间验证)显示,堆叠集成在日本和韩国均取得最低合并RMSE,日本由16.388降至13.250,韩国由29.430降至9.505;日本MDA最高为89.4%,韩国与XGBoost并列最高为72.3%;两国集成校准斜率接近1,但韩国校准截距距0较远。

Predictor interpretation(预测因子解释):Variable importance(变量重要性)显示,日本6个月滞后ONI在非时间预测因子中跨模型一致最高,2个月滞后12个月泰国SPEI在XGBoost中靠前;韩国5个月滞后NINO3和2个月滞后6个月泰国SPEI在各模型中稳居前二。Predictor-block contribution analysis(预测因子块贡献分析)以交叉验证RMSE比较表明,纳入太平洋海表温度指数通常降低预测误差;纳入干旱指数在许多匹配比较中降低交叉验证RMSE,尤其在韩国;DMI、季风指数和登革病毒血清型优势持续性的附加预测价值在部分模型中存在但不一致。

Base model contribution(基础模型贡献):通过Elastic Net元学习器归一化绝对系数发现,日本三种基础学习器均贡献于最终元模型,XGBoost贡献67.2%,SVM为18.3%,RF为14.5%;韩国更集中,XGBoost占87.3%,SVM占12.7%,RF贡献降至零。

Sensitivity analysis(敏感性分析):通过替代滞后选择和结局变换规格发现,总体测试集性能较稳健。扩展滞后窗口规格下,日本重现主要最终规格且测试集性能相同;韩国预测因子和滞后改变,但5个月滞后NINO3和3个月滞后6个月泰国SPEI仍被保留。Poisson滞后选择规格下,两国仍保留太平洋海表温度指数,日本RF和SVM保留7个月滞后ONI,韩国所有基础模型保留5个月滞后NINO3,SPEI亦被保留。替代伪计数规格下,日本性能改善,韩国与主要分析大致相当。固定模型稳健性分析中,AUROC在替代高风险阈值下范围相似;限制于2024—2025测试期时,日本判别和方向一致性更强但预测误差更高,韩国总体性能较弱。

Open science(开放科学):研究人员开发交互式R Shiny应用,用户可指定目标国家、年份、月份、出境旅行量和预测因子值,应用提供选定基础模型和最终集成模型的输入性登革热病例数预测,支持情景预测和模型演示,但不自动检索或更新源数据。

讨论部分总结:本框架在日本和韩国均优于仅趋势季节性参考模型,说明环境和流行病学预测因子提供了额外预测信息。太平洋海表温度指数是跨国家和模型规格最一致保留的预测因子组,应解释为上游预测信号而非输入性登革热直接原因。来源区干旱指数也被保留,SPEI是多尺度、温度敏感的干旱指数;但缺少国家特异旅行行程,所选SPEI变量应解释为区域传播条件的间接生态指标。季风指数贡献相对较弱;血清型优势持续性贡献有限,可能反映可获得血清型数据的分辨率不足。国家特异模式提示,输入性登革热预测可能受益于国家特异的上游气候、水文和病毒流行病学指标组合,但这些是模型依赖的预测关联,不能解释为因果关系。局限包括:验证仍有限,未做外部验证,测试期仅30个月;AIC滞后选择先于交叉验证,训练阶段性能可能偏乐观;仅进行点预测;数据缺乏空间、时间和流行病学细节,目的地特异出境旅行统计在2006年7月后停止,聚合监测无法识别家庭、旅行团或共同暴露聚集,血清型信息可能存在缺失、错分和国家间监测差异;以首都网格点代理来源区干旱条件过于简化;操作可行性需进一步评估,尚需预测目标月出境旅行量,R Shiny应用需手动输入并进行自动数据检索。

结论翻译:本研究显示,在时间趋势和季节性之外加入环境和流行病学信息,改善了日本和韩国输入性登革热风险预测。太平洋海表温度指数是跨国家和模型规格最一致保留的预测因子组。相反,来源区干旱指数和病毒流行病学指标显示更强国家特异性。这些发现支持上游气候、来源区水文气候和病毒流行病学指标在非地方性流行区预测输入性登革热风险的潜在价值。进一步研究应在更长疫情后时期验证该框架,并使用更细粒度旅行、环境、血清型数据和自动预测因子更新评估其操作性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号