动态时空图注意网络用于跨区域的多种疾病预测和干预优化干预
1Beijing University of Chinese Medicine, Beijing, China.
Frontiers in public health
|February 20, 2026
概括
这项研究引入了一种新的时空图注意网络 (ST-GAT),用于改进传染病预测和干预设计. 该框架提高了预测准确性,并优化公共卫生战略,以提高成本效益和稳定性.
科学领域:
- 流行病学和公共卫生.
- 计算生物学和生物信息学
- 网络科学 网络科学
背景情况:
- 由于移动性,多种病原体和时空变异,预测传染病在不同地区的传播是复杂的.
- 设计有效和经济的公共卫生干预措施需要准确的预测和了解传播途径.
研究的目的:
- 开发一个统一的框架,以改善多种疾病的预测,并提高传播途径的可解释性.
- 为了使公共卫生干预措施的数据驱动优化,考虑成本,公平性和可行性.
主要方法:
- 开发了一个时空图注意力网络 (ST-GAT),将多种数据源 (监测,气象,医疗保健,NPI) 集成到一个动态的多关系图上.
- 利用空间和时间注意力机制与分布意识解码器进行校准的概率预测 (1-4周).
- 将模型嵌入多目标优化引擎,以评估干预策略,如疫苗分配和移动限制.
主要成果:
- 与传统模型 (ARIMAX,Prophet,LSTM/GRU) 相比,ST-GAT在多种疾病 (ILI,HFMD,登革热,RSV) 中显著降低了平均绝对误差 (MAE).
- 观察到改善的加权间隔得分 (WIS) 和连续排列概率得分 (CRPS),表明更好的预测校准.
- 空间关注确定了关键的传播走廊,时间关注突出了短期滞后 (1-4周),优化有利于为成本效益制定疫苗优先战略.
结论:
- ST-GAT框架为实时流行病预测提供了一个综合,可解释和可通用的解决方案.
- 该研究为公平的公共卫生决策提供了一个强有力的工具,优化基于数据驱动的见解的干预措施.
