基于WHO GLASS Surveillance Data的抗药性趋势预测：检索增强生成方法用于政策决策支持
机器学习
2026-02-27 v1 定量方法
摘要
抗药性（AMR）是一场全球危机，预计到2050年将导致每年1000万例死亡。虽然WHO全球抗药性和使用监测系统（GLASS）提供了跨44个国家的标准化监测数据，但很少有研究对从该数据预测人口水平抗药性趋势应用了机器学习。本文提出了一个两组件框架，用于抗药性趋势预测和证据驱动的政策决策支持。我们对6个模型——Naive、线性回归、Ridge回归、XGBoost、LightGBM和LSTM——在2021-2023年跨越6个WHO地区的5909条WHO GLASS观察数据进行基准测试。XGBoost实现了最佳性能，测试MAE为7.07%，R平方为0.854，净实现了83.1%的性能提升。特征重要性分析确定了前一年抗药率作为主要预测器（50.5%重要性），而区域MAE范围为4.16%（欧洲地区）到10.14%（东南亚地区）。我们还实现了一个检索增强生成（RAG）管道，将WHO政策文件与ChromaDB向量存储结合使用，结合本地部署的Phi-3 Mini语言模型，产生具有来源归属、受幻觉约束的政策答案。代码和数据可在https://github.com/TanvirTurja 获取。
引用
@article{arxiv.2602.22673,
title = {Forecasting Antimicrobial Resistance Trends Using Machine Learning on WHO GLASS Surveillance Data: A Retrieval-Augmented Generation Approach for Policy Decision Support},
author = {Md Tanvir Hasan Turja},
journal= {arXiv preprint arXiv:2602.22673},
year = {2026}
}
备注
18 pages, 4 figures, code and data available at https://github.com/TanvirTurja