Explainable machine learning framework for foodborne disease outbreak prediction in Eastern Province, Saudi Arabia: case study
Frontiers in Public Health·
- DOI
- 10.3389/fpubh.2026.1883871
- PMID
- —
- PMCID
- —
- OpenAlex
- —
- 研究类型
- Journal article
- 出版商
- Frontiers Media SA
- 文章类型
- journal-article
- 完整性状态
- current
为何这项研究现在值得关注
作者将该工作定位为概念验证，示范在城市化背景下如何将预测建模、可解释性与空间风险制图相结合，以支持未来食源性暴发的监测工作。
结构化证据摘要
研究问题
该研究探讨在沙特阿拉伯东部省的多个城市间，机器学习框架能否预测食源性疾病暴发、刻画严重程度并展示空间风险传播。
研究设计
采用回顾性多年流行病学病例研究设计，基于2021–2025年12个城市、61例病例和13个特征的数据集。建模流程结合XGBoost用于暴发预测、随机森林用于严重程度预测、SVM作为对照，并使用SHAP进行可解释性分析以及图模块刻画空间风险传播；验证采用防泄漏的重复分层交叉验证与逐年留出法，结果以不确定性估计形式报告。
人群与场景
研究场景为沙特阿拉伯东部省的12个城市，来源于2021–2025年的流行病学记录，共纳入61例病例和11起暴发事件。
主要发现
XGBoost在测试集上准确率为0.85、精确率为0.78、召回率为0.78；在防泄漏的重复分层交叉验证下平均AUC为0.64（95%区间0.20–1.00），而逐年留出验证表现不稳定（平均AUC 0.47）。模型间差异（包括SVM在单次交叉验证中AUC更高）均落在置信区间内。SHAP识别出住院和症状严重程度为主要贡献因素，图模块突出连通性好的大都市区作为疾病传播枢纽。
公共卫生意义
作者将该工作定位为概念验证，示范在城市化背景下如何将预测建模、可解释性与空间风险制图相结合，以支持未来食源性暴发的监测工作。
重要局限
作者明确指出，仅有61个数据点和11起报告暴发，该研究并非作为早期预警系统而仅作为概念验证；较宽的置信区间和不稳定的逐年留出表现进一步提示预测稳健性有限，且结果以不确定性估计而非精确数值形式报告。本综述所依据的证据仅限于该文摘要与元数据，原文对于决策级别的解读仍是必需的。
GIDS 解读
在GIDS中，该记录可作为沙特阿拉伯食源性暴发预测方法学概念验证的发现入口，用于提供分析方法层面的背景，而不应被视为对当前主动监测信号的确认。
相关 GIDS 监测
文献背景不会验证、解释或改变监测信号；精确关系与背景关系会分开展示。
证据关系
本文与疾病、地区、主题及研究设计之间有 5 条可审计分类关系。