来源 :迪安诊断2026-08-03
本文共1522字符，全文阅读预计需要5分钟，点击标题下方“?（听全文）”图标，可随时随地听文章。
呼吸道传染病的流行具有明显的季节性波动和周期性暴发特征。然而，传统监测系统往往依赖被动的报告病例，存在明显的滞后性，难以应对病原体共流行时的复杂局面。如何借助人工智能与多源异构数据，在疫情暴发前实现“早预警、早研判”，是当前公共卫生领域亟待攻克的难题。
近日，复旦大学附属华山医院感染科张文宏教授、艾静文教授团队联合上海交通大学医学院胡增运教授团队、迪安诊断等单位，在PLOS Digital Health（IF 7.7，JCR Q1）杂志在线发表了相关研究论文。该研究试验采用迪安诊断旗下自有产品平台迪安生物的病原体靶向测序产品。
论文发布截图，点击文末“阅读原文”查阅全文
该研究基于2022-2024年间覆盖全国30个省份的超15万份呼吸道样本测序数据，结合气候、空气质量及社会经济因素，构建了基于梯度提升决策树（GBDT）的呼吸道病原体流行风险预测模型，为呼吸道传染病的早期预警与科学防控提供了全新的数字化解决方案。复旦大学附属华山医院王红羽博士、孙彬煌博士，上海交通大学医学院张迁迁博士为本文共同第一作者。
创新模型：融合多维环境因子的
GBDT算法展现优异效能
本研究团队创新性地整合了覆盖中国1880个监测点的153,544份呼吸道测序病原体数据，并将其与对应月份的地理气候、空气质量指数（AQI）及人均GDP等12项地理指标进行精准匹配。
在此基础上，研究团队构建了基于梯度提升决策树（GBDT）的人工智能预测模型。通过平均基尼系数减少量评估特征重要性，研究筛选出一氧化碳（CO）、甲醛（HCHO）、臭氧（O3）、日照时数、风速及GDP等六大关键驱动因子。在外部验证中，该模型对流感病毒（Influenza A）、新冠病毒（SARS-CoV-2）和呼吸道合胞病毒（RSV）的预测表现极为出色，DISO综合指标分别低至0.12、0.21和0.25，显著优于随机森林（RF）、多元线性回归（MLR）等传统算法。
全国与区域验证：
精准模拟流行病学趋势，南北差异显著
研究的核心在于对真实世界流行病学数据的精准拟合。模型对2022年9月至2024年9月全国层面的10种常见呼吸道病原体流行趋势进行了模拟，结果显示：
对于甲型流感病毒、人冠状病毒、RSV、鼻病毒和肺炎链球菌，模型模拟结果与实际监测数据高度吻合（R2最高达0.98）。
考虑到中国幅员辽阔，研究团队进一步选取黑龙江、陕西、上海和云南四省市进行区域分层建模。结果发现，模型在不同地理梯度的表现各异：例如，甲型流感病毒在东北（黑龙江R2=0.96）和华东（上海R2=0.98）预测极佳，而在西南（云南R2=0.41）表现受限；RSV则在四个省份均展现出稳健的准确性（R2介于0.69至0.94之间）。
此外，模型对2024年10月至12月的短期流行趋势进行了提前3个月的前瞻性预测，结果与国家级和外部监测队列的数据趋势保持一致，证实了其在实际公共卫生监测中的实用价值。
临床启示与展望
本研究构建的全国呼吸道病原体AI预测框架，首次系统量化了后疫情时代气候与社会经济因素对多种共流行病原体的协同影响，具有重要的科学价值与应用前景：
1
赋能主动监测：突破传统“病例上报”的时间差，利用环境变量实现针对下一季度的短期精准预警，为疾控部门争取宝贵的响应时间。
2
提供决策依据：明确不同地区、不同病原体对应的关键环境影响因子，有助于因地制宜地制定差异化防控策略。
3
拓展应用边界：该多源数据融合与GBDT建模框架具备良好的通用性，未来有望拓展应用于其他新发突发传染病的监测预警体系中。
当然，研究也指出，由于数据跨度恰逢国内防疫政策调整的特殊时期，模型的长期稳定性仍需更多典型季节周期的数据加以验证。未来，随着监测网络的不断完善和算法的迭代更新，这种“数据驱动+机理解释”的智能预警系统必将在全球传染病防控中发挥更大的作用。