基于环境数据的机器学习模型预测呼吸道合胞病毒相关住院

Eric Guo

基于环境数据的机器学习模型预测呼吸道合胞病毒相关住院

机器学习 2025-12-17 v1 应用统计统计方法学

作者: Eric Guo

摘要

呼吸道合胞病毒（RSV）是幼儿住院的主要原因之一，其爆发受环境条件的强烈影响。本研究开发了一个机器学习框架，通过整合废水监测、气象和空气质量数据，预测美国的RSV相关住院情况。该数据集结合了每周住院率、废水RSV水平、每日气象测量和空气污染物浓度。训练了包括CART、随机森林和提升方法在内的分类模型，用于预测每周RSV相关住院率，其被分类为\textit{低风险}、\textit{预警}和\textit{流行}级别。废水RSV水平被确定为最强的预测因子，其次是气象和空气质量变量，如温度、臭氧水平和特定湿度。值得注意的是，分析还显示美洲原住民和阿拉斯加原住民的RSV相关住院率显著更高。需要进一步研究以更好地理解这些社区中RSV差异的驱动因素，从而改进预防策略。此外，海拔较高的州，地表气压较低，表现出持续更高的RSV相关住院率。这些发现强调了结合环境和社区监测数据预测RSV爆发的价值，从而实现更及时的公共卫生干预和资源分配。为了提供模型的可访问性和实用价值，我们开发了一个交互式R Shiny仪表板（https://f6yxlu-eric-guo.shinyapps.io/rsv_app/），允许用户探索不同州的RSV相关住院风险水平、可视化关键预测因子的影响，并交互式地生成RSV爆发预测。

关键词

RSV住院预测机器学习废水监测环境数据随机森林提升方法公共卫生

引用

@article{arxiv.2512.13712,
  title  = {Prediction of Respiratory Syncytial Virus-Associated Hospitalizations Using Machine Learning Models Based on Environmental Data},
  author = {Eric Guo},
  journal= {arXiv preprint arXiv:2512.13712},
  year   = {2025}
}

基于环境数据的机器学习模型预测呼吸道合胞病毒相关住院

摘要

关键词

引用

相关论文