弥合预测差距:一种混合早期预警系统,用于在LMIC中进行可扩展和实时的登革热监测
Dang Anh Tuan1, Pham Vu Nhat Uyen2
1Faculty of Public Health, University of Medicine and Pharmacy at Ho Chi Minh City, Ho Chi Minh City, 70000, Vietnam.
Acta tropica
|August 3, 2025
概括
一个新的混合早期预警系统 (EWS) 将历史数据与实时信号相结合,以改善低收入和中等收入国家 (LMICs) 的登革热监测. 这种方法显著减少了响应时间,并提高了预测准确度,以获得更好的公共卫生结果.
科学领域:
- 公共卫生 公共卫生
- 流行病学 流行病学
- 机器学习 机器学习
背景情况:
- 登革热的复苏构成了全球公共卫生挑战,特别是在LMICs.
- 在LMICs的传统预警系统 (EWS) 面临报告延迟和不足的检测.
- 人工智能驱动的EWS是准确的,但在资源有限的环境中受到基础设施和数据要求的限制.
研究的目的:
- 引入混合EWS架构,以在LMICs中进行可扩展和可行的登革热监测.
- 证明混合EWS在各种数据环境中的适应性.
- 改善登革热疫情应对时间和预测准确度.
主要方法:
- 开发了一种混合EWS,将回顾性流行病学数据与实时信号 (气候,数字趋势) 整合在一起.
- 采用了一个模块化机器学习框架.
- 利用了来自巴西,马来西亚和越南的案例研究,结合了血清流行数据,行为信号和气候预测因素.
主要成果:
- 混合模型将登革热爆发反应时间从7-14天减少到3-5天.
- 实现了85-90%的预测准确度,超过了传统的EWS.
- 通过整合各种数据源,成功适应多样化的数据环境.
结论:
- 混合EWS提供了一个情境敏感的,可扩展的解决方案,用于在LMICs登革热监测.
- 平衡预测性表现与实施可行性.
- 提供了一个可行的途径,在资源有限的环境中实现实时监控和主动向量控制.


