在中国江地区发现食源性疾病的主要驱动因素:机器学习方法
Cangyu Jin1, Xiaojuan Qi2, Jikai Wang2
1School of Management, Zhejiang University, Hangzhou 310058, China.
Foods (Basel, Switzerland)
|August 28, 2025
概括
这项研究分析了中国56970例食源性疾病, 确定了年龄和食物类型等关键预测因素. 机器学习模型揭示了病原体和季节性模式的变化,
科学领域:
- 公共卫生
- 流行病学
- 数据科学
背景情况:
- 食物传播疾病对全球公共健康构成重大威胁.
- 了解病原体特异性的动态对于有效控制至关重要.
研究的目的:
- 系统地分析病原体特异性食物传播疾病的时间动态,预测因素和季节性模式.
- 利用机器学习进行风险预测和公共卫生干预.
主要方法:
- 对来自中国江省的56970例食品传播疾病 (2014-2023) 的分析.
- 综合流行病学,环境,社会经济和农业数据.
- 应用拉索回归,随机森林和XGBoost用于预测器识别和模型训练.
- 使用季节性ARIMA和时间序列分解进行趋势和季节性分析.
主要成果:
- 确定了41个重要的预测因素,包括患者年龄,食物类型,气候政策和加工方法.
- 机器学习模型达到高准确度 (86-87%),表现出强大的性能.
- 在病原体谱中观察到的变化:Vibrio parahaemolyticus的减少,2016年后沙门氏菌的增加,Norovirus和Vibrio parahaemolyticus的季节性高峰.
- 季节性因素和趋势因素在细菌发病率中的重要作用得到证实.
结论:
- 机器学习和时间序列分析是针对特定病原体的食品传播疾病监测的有价值工具.
- 通过突出关键风险因素和时间模式,研究结果支持有针对性的公共卫生干预措施.
- 了解宿主,暴露和环境因素的相互作用对于减轻食源性疾病风险至关重要.
