预测非洲杆菌病强度:一种机器学习方法来评估世卫组织2030年路线图的进展情况
Xinyue Chen1, Jiaxu Le1, Yi Hu1
1Department of Epidemiology and Biostatistics, School of Public Health, Fudan University, Shanghai, China; Key Laboratory of Public Health Safety, Ministry of Education, Shanghai, China; Laboratory for Spatial Analysis and Modeling, School of Public Health, Fudan University, Shanghai, China.
概括
机器学习模型预测了非洲杆菌病感染的强度. 大多数地区还没有达到世界卫生组织的标准.
科学领域:
- * 热带医学 热带医学
- * 计算机流行病学
- * 公共卫生信息学
背景情况:
- *世界卫生组织 (WHO) 2030年路线图的目标是消除杆菌病作为公共卫生问题.
- * 传统的杆菌病监测严重依赖于感染患病率,可能会忽视强度.
- *准确评估感染强度对于评估实现世界卫生组织消除目标的进展至关重要.
研究的目的:
- * 开发和验证机器学习 (ML) 模型,用于预测杆菌病感染强度类别.
- * 通过ML预测,评估在撒哈拉以南非洲实现世卫组织2030年排症消除目标的进展情况.
- * 评估ML在估计感染强度时的有效性 * Schistosoma haematobium * 和 * Schistosoma mansoni *.
主要方法:
- *利用了来自12个撒哈拉以南非洲国家被忽视的热带疾病消除扩大特别项目的病发率和感染强度数据.
- *使用各种ML算法来预测S.haematobium和S.mansoni的感染强度类别.
- * 环境和人口共变量的综合遥感数据,以及发病率的流行率.
主要成果:
- *最佳ML模型表现出高精度和稳定性,R平方值为*S. mansoni*的0.84和*S. haematobium*的0.81.
- *ML模型实现了S. mansoni*的0.02的平均绝对误差 (MAE) 和0.05的根平均平方误差 (RMSE),以及S. haematobium*的0.02的MAE和0.04的RMSE.
- *分析表明,大多数被调查地区尚未实现世卫组织2030年消除杆菌病的目标.
结论:
- * ML算法提供了一种强大而准确的方法来预测杆菌病感染强度.
- * 开发的方法提供了一种具有成本效益的策略,用于评估在非洲实现世界卫生组织2030年消除杆菌病的目标的进展.
- *目前的研究结果表明,为了实现2030年消除目标,需要加强对杆菌病的控制工作.
