菲律宾登革热流行病学的时空模型:整合遥感和可解释的机器学习
Don Enrico Buebos-Esteve1, Nikki Heherson A Dagamac2
1Initiatives for Conservation, Landscape Ecology, Bioprospecting, and Biomodeling (ICOLABB), Research Center for the Natural and Applied Sciences, University of Santo Tomas, España, Manila 1008, Philippines.
Acta tropica
|May 3, 2024
概括
机器学习模型使用降雨量和NDVI数据准确预测菲律宾的登革热发病率和死亡率. 时间聚类改善了模型性能,突出了季节性对疾病爆发的影响.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 传统的登革热分析方法与大量数据集和多因素影响作斗争.
- 可解释机器学习 (iML) 为复杂的流行病学预测提供了一个有希望的替代方案.
研究的目的:
- 开发和优化iML模型,以预测菲律宾登革热发病率和死亡率.
- 通过使用先进的统计技术,确定影响登革热爆发的关键环境因素.
主要方法:
- 利用mlr3 R包宇宙来构建和优化机器学习模型.
- 雇员远程传感的NDVI和2016-2020年降雨数据,包括时间聚类.
- 应用了模型不可知的后期分析,如变特征重要性 (PFI) 和累积局部效应 (ALE).
主要成果:
- 在rfsrc年病例和护林员年死亡模型中,分别在发病率和死亡率预测方面表现出卓越的表现.
- 时间聚类被证明是最有效的,反映了登革热的季节性模式.
- 降雨量 (长期平均值) 是发生率预测的关键,而NDVI (长期平均值) 是死亡率预测的关键.
结论:
- 机器学习,特别是时间聚类,提高了在数据有限的地区登革热的流行病学预测.
- 雨量和NDVI等环境因素显著影响登革热发病率和死亡率.
- 这项研究支持"一个数字健康模式"和可持续发展目标3,以改善全球健康.
