Geospatial Foundation Model 数据在马拉维健康设施程序输出预测中的应用与验证——马拉维案例研究
机器学习
2025-10-31 v1 人工智能
摘要
在中低收入国家 (LMICs) 的常规健康数据可靠性常受到报告延迟和覆盖不完整的限制，这迫切需要探索新的数据源和分析方法。地理空间基础模型 (GeoFMs) 通过整合多样化的空间、时间和行为数据合成为可高效用于下游预测任务的数学嵌入，为该领域提供了可行的路径。本研究评估了三个 GeoFM 嵌入来源——Google 人口动态基础模型 (PDFM)、Google AlphaEarth（来自卫星图像衍生）以及移动电话呼叫详细记录 (CDR)——在马拉维对 15 项常规健康程序输出进行建模，并将其效用与传统地理空间插值方法进行比较。我们对来自 552 个健康覆盖区（2021 年 1 月至 2023 年 5 月）的数据使用 XGBoost 模型进行预测，通过 R2 进行绩效评估，并采用 80/20 的训练-测试数据划分进行 5 折交叉验证。尽管预测绩效呈现一定的分散，但嵌入方法在测试的 13 项指标中均优于基准地理统计方法。集成所有三个嵌入来源的 Multi-GeoFM 模型产生了最为稳健的预测，实现了如人口密度 (0.63)、新发 HIV 感染病例 (0.57) 和儿童疫苗接种 (0.47) 等指标的平均 5 折交叉验证 R2值，以及测试集 R2 分别为 0.64、0.68 和 0.55。对于预测目标较差的指标，如结核病和营养不良病例，预测表现较差。这些结果表明，GeoFM 嵌入在 LMIC 环境下为特定健康和人口学结果提供了有限的预测性提升。我们得出结论，将多个 GeoFM ources 集成是一种高效且有价值的工具，可用于补充和强化受限的常规健康信息系统。
引用
@article{arxiv.2510.25954,
title = {Application and Validation of Geospatial Foundation Model Data for the Prediction of Health Facility Programmatic Outputs -- A Case Study in Malawi},
author = {Lynn Metz and Rachel Haggard and Michael Moszczynski and Samer Asbah and Chris Mwase and Patricia Khomani and Tyler Smith and Hannah Cooper and Annie Mwale and Arbaaz Muslim and Gautam Prasad and Mimi Sun and Tomer Shekel and Joydeep Paul and Anna Carter and Shravya Shetty and Dylan Green},
journal= {arXiv preprint arXiv:2510.25954},
year = {2025}
}
备注
13 pages, 3010 words, 2 tables, 2 figures