将交通预测时空图卷积网络创新应用于登革热疾病预测

为什么预测登革热与日常生活息息相关

登革热的传播速度比以往更快，这受到气候变暖、城市扩张和全球旅行增加的推动。现在有数百万人居住在蚊子叮咬可能导致严重疾病、住院甚至死亡的地区。能够提前几周预见登革热暴发，可以为卫生人员赢得宝贵时间去喷洒灭蚊剂、提醒社区并为医院做准备。本研究探讨了一种最初用于预测交通拥堵的前沿人工智能方法，能否被改造用于预测拉丁美洲的登革热浪潮。

追踪跨国的登革热传播轨迹

研究人员将注意力集中在中美洲和南美洲的九个国家（包括巴西、墨西哥、哥伦比亚及其若干邻国）在2014到2022年的情况。他们没有只看过去的登革病例数和基本气象数据，而是汇集了29类不同的信息。这些包括地方性的登革热报告、每周的气候状况（如温度、降雨、湿度和日照）、以及森林和农田覆盖等环境细节，还有广泛的社会经济指标。例如收入水平、医院容量、疫苗接种覆盖率、电力可及性，以及不同年龄组和城市的人口分布。通过将所有这些层面结合起来，研究团队旨在构建更贴近现实的图景，反映有利于登革热蚊虫和病毒繁衍与传播的条件。

借用交通预测中的智能工具

为将这些丰富的数据转化为预测，团队改造了一种深度学习方法，称为时空图卷积网络（Spatio-Temporal Graph Convolutional Network，STGCN）。简单来说，该模型既关注随时间的变化（“时间”部分），又关注不同地点之间的相互影响（“空间”部分）。它把每个国家视为网络中的一个“节点”，让计算机学习哪些国家在登革热模式上相互关联，而不是僵硬地只认为相邻国家才有关联。与此同时，模型逐周分析登革热数字如何演变。作者将这一先进方法与一种更传统的机器学习方法——随机森林（Random Forest）进行了比较，后者已被证明比许多较老的统计工具更能预测登革热。

新模型在预见暴发方面的表现如何

在这九个国家中，STGCN模型在短期预测（向前一到四周）上尤其有效。在许多情况下，它以高准确度捕捉到登革热激增的时机和规模，取得了很强的统计分数（R²值常常高于0.8，最高可达0.98）且误差相对较低。数据量大且相对一致的巴西表现最佳，但尼加拉瓜、洪都拉斯和墨西哥等国也受益明显。模型在数据稀少或更不规则的地区表现较差，例如玻利维亚和秘鲁部分地区，并且和大多数工具一样，随着预测时间延长其精度会下降。尽管如此，在直接比较中，这种基于图的模型在大多数国家和多数短期预测窗口上优于随机森林。

社会和经济现实为何重要

最引人注目的发现之一是纳入社会与经济信息的附加价值。当从模型中去除这些因素时，预测变得更嘈杂且不太可靠，尤其是在洪都拉斯、秘鲁、哥伦比亚和墨西哥等国。包含与收入、医疗保健、基础设施和人口结构相关的指标有助于稳定预测并提高其与实际病例数的匹配度。这表明登革热风险不仅仅是气候和蚊虫的问题；它还受到人们的生活方式、流动模式和服务可及性的影响。研究提醒我们该模型揭示的是模式而非严格的因果关系，但它清晰地显示出更广泛的生活条件在暴发动态上留下了可测量的痕迹。

这对公共卫生决策意味着什么

对非专业读者来说，主要结论是：先进的人工智能工具在已有丰富气候和社会数据供给时，已经能够为卫生机构提供几周提前的有用“预警”，尤其是在短期内。改造自交通预测的模型被证明是稳健、灵活且总体上比一种强有力的传统方法更准确，使其成为早期预警系统的有前景候选方案。尽管仍面临挑战——例如数据质量不均、大国内部细节丢失以及长期预测准确性下降——该方法指向了一个未来：疾病预测可以定期更新、针对地方实际情况进行调整，并扩展到其他蚊媒威胁如寨卡或基孔肯雅热。从这个意义上说，这项工作是将复杂数据流转化为可用于预防行动的有用时间的一步。

引用: Siabi, N., Son, R., Thomas, M. et al. Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Sci Rep 16, 2594 (2026). https://doi.org/10.1038/s41598-026-36225-7

关键词: 登革热预测, 图神经网络, 气候与健康, 社会经济驱动因素, 虫媒传染病