阿根廷结核病的预测建模和时空分析:通过机器学习推进控制工作

科学领域:

• 流行病学 流行病学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 结核病 (TB) 仍然是全球和阿根廷的重大公共卫生挑战.
• 有效的结核病控制需要准确预测疾病动态和识别高风险人群.
• 了解空间和时间趋势对于有针对性的干预至关重要.

研究的目的:

• 加强对阿根廷结核病动态的预测和理解.
• 确定与结核病发病率和治疗结果相关的关键风险因素.
• 确定高发病率地区,以改善监测和公共卫生战略.

主要方法:

• 进行了一项回顾性观察性研究.
• 机器学习模型 (例如,基组图基梯度增强,LSTM) 用于预测治疗结果和预测结核病例数.
• 使用空间分析工具 (例如LISA) 来检测高发病率集群.

主要成果:

• 在COVID-19大流行后,结核病通知增加了.
• 基于组图的渐变增强精确预测了治疗结果 (ROC-AUC=0.86),HIV,治疗持续时间和年龄是关键预测因素.
• 长期短期记忆 (LSTM) 模型在特定地区显示出与SARIMAX相比更高的预测准确性.
• 空间分析发现了显著的高发病率结核病群.
• 在男性中观察到较高的结核病感染率.

结论:

• 机器学习和空间分析工具的整合大大提高了阿根廷的结核病监测能力.
• 这种综合方法有助于早期识别高风险的地理区域.
• 它改善了流行病学监测,并使得针对结核病控制的有针对性,数据驱动的公共卫生干预成为可能.