疾病情报数据因果网络建模：针对皮肤炎的分析

环境因素和精神条件已知是皮肤炎及其症状的风险因素，但二者之间的相互作用难以量化；流行病学研究很少同时包含这两者以及可能的混杂因素。情报疾病学利用大规模在线数据集来解决这一问题，但数据融合会产生强烈的空间和时间相关性，同时伴随缺失数据和异质性问题。本文设计了一种因果网络，正确地建模了大规模情报疾病数据（来自Google、EPA、NOAA和美国人口普查数据，覆盖434个美国县，134周）中的这些复杂结构。该模型成功捕捉了天气模式、污染物、精神条件与皮肤炎之间的已知因果关系。关键发现表明，焦虑症占解释方差的57.4%，其后是NO2（33.9%），而环境因素通过精神条件显示出显著的中介效应。模型预测，若减少25%的PM2.5排放，可使皮肤炎患病率下降18%。通过统计验证和因果推断，我们提供了对环境与精神健康因素影响皮肤炎复杂相互作用的前所未有的见解，为公共卫生政策和环境法规提供了宝贵的指导。