孟加拉国登革热早期预警系统和疫情预测工具使用可解释的基于树的机器学习模型

科学领域:

• 公共卫生 公共卫生
• 机器学习 机器学习
• 流行病学 流行病学

背景情况:

• 登革热 (DF) 是一个重要的全球健康威胁,特别是在孟加拉国.
• 准确的登革热风险预测对于有效的控制策略和早期预警系统至关重要.
• 识别关键风险因素对于预测疾病流行病至关重要.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于孟加拉国登革热早期预警和疫情预测.
• 分析影响登革热传播的气候,社会人口和景观因素.
• 建立公共卫生监测中先进分析技术的框架.

主要方法:

• 使用了高性能的ML算法:随机森林,XGBoost和LightGBM.
• 利用了2000年1月至2021年12月的综合数据,包括社会人口统计,气候,景观和登革热监测数据.
• 应用超参数优化和夏普利添加式解释 (SHAP) 值用于模型选择和特征重要性分析.

主要成果:

• 确定了气候参数对登革热风险在特定值的非线性影响.
• 确定登革热风险的最佳气候条件:最低温度为25-28°C,最高温度为32-34°C,湿度为75%-85%,降雨量为10mm,风速为12m/s.
• 轻GBM模型准确预测登革热疫情,农田,人口密度和最低温度是重要的驱动因素.

结论:

• 开发的ML模型作为登革热爆发的有效预警系统.
• 这项研究增强了对驱动登革热流行病的因素的理解.
• 为复杂的公共卫生分析工具和干预提供基础.