Hand, Foot, and Mouth Disease Risk Prediction in Southern China: Time Series Study Integrating Web-Based Search and Epidemiological Surveillance Data
Notice bibliographique
Résumé
Background: Hand, foot, and mouth disease (HFMD) is a global health concern requiring a risk assessment framework based on systematic factors analysis for prevention and control. Objective: This study aims to construct a comprehensive HFMD risk assessment framework by integrating multisource data, including historical incidence information, environmental parameters, and web-based search behavior data, to improve predictive performance. Methods: We integrated multisource data (HFMD cases, meteorology, air pollution, Baidu Index, and public health measures) from Bao'an District of Shenzhen city in Southern China (2014-2023). Correlation analysis was used to assess the associations between HFMD incidence and systematic factors. The impacts of environmental factors were analyzed using the Distributed Lag Nonlinear Model. Seasonal Autoregressive Integrated Moving Average model and advanced machine learning methods were used to predict HFMD 1-4 weeks ahead. Risk levels for the 1- to 4-week-ahead forecasts were determined by comparing the predicted weekly incidence against predefined thresholds. Results: From 2014 to 2023, Bao'an District reported a total of 118,826 cases of HFMD. Environmental and search behavior factors (excluding sulfur dioxide) were significantly associated with HFMD incidence in nonlinear patterns. For 1-week-ahead prediction, Seasonal Autoregressive Integrated Moving Average using case data alone performed best (R²=0.95, r=0.98, mean absolute error=53.34, and root-mean-square error=99.31). For 2- to 4-week-ahead forecasting, machine learning models incorporating web-based and environmental data showed superior performance (R²=0.83, 0.75, and 0.64; r=0.92, 0.87, and 0.80; mean absolute error=87.84, 112.41, and 132.47; and root-mean-square error=185.08, 229.13, and 276.81). The predicted HFMD risk levels matched the observed levels with accuracies of 96%, 87%, 88%, and 83%, respectively. Conclusions: The epidemic dynamics of HFMD are influenced by multiple factors in a nonlinear manner. Integrating multisource data, particularly web-based search behavior, significantly enhances the accuracy of short- and midterm forecasts and risk assessment. This approach offers practical insights for developing digital surveillance and early warning systems in public health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».