血吸虫病，一种由吸虫属吸虫引起的严重寄生虫病裂体吸虫属，不仅有害健康，而且阻碍了疫区经济和社会的发展。据世界卫生组织（世卫组织）称，该病在全世界78个热带和亚热带国家流行，影响到流行地区7亿多人的生活，实际感染人数至少为2.4亿。因此，血吸虫病仍然是中低收入国家的一大公共卫生危害。
控制疾病
血吸虫病的传播依赖于水蜗牛的存在。日本血吸虫病，曾在中国长江流域流行，与该物种的分布密切相关钉螺hupensis蜗牛. 经过70年的持续努力，主要是基于蜗牛控制和吡喹酮药物治疗，在以前流行的12个省份中有9个省份实现了传播中断，这是有史以来最低的流行水平。
现在，中国正在通过专门监测钉螺控制来努力消灭血吸虫病。每年春季和秋季进行全国蜗牛调查，这是控制血吸虫病的主要努力。全国蜗牛调查既需要劳力，又需要资金。
有效空间的重新评估
钉螺调查的目的是确定钉螺存活的地点，并预测血吸虫病的高传播区域。由于这些蜗牛调查的规模很大，而且从试点获得了信息，因此，庞大的蜗牛数据库可用于预测长江流域的蜗牛存活概率。
我们从一个简单的想法开始：更多的调查点是否意味着对蜗牛概率的预测更准确？
我们假设原始的蜗牛分布数据可以通过重采样方法获得新的分布点，然后，利用这些新数据我们可以预测研究区域之间的蜗牛存活概率。最后，可以比较预测性能以选择最佳重采样数据。
本研究最初开发了空间重新评估过程，定义了生态网格单元。这些细胞具有与蜗牛相同的生存环境。如果这个网格单元中存在两个或多个蜗牛点，我们只拾取一个点。
通过这种空间再评估过程，我们可以获得新的蜗牛数据样本，然后对血吸虫病传播区域进行模型预测。
2018年在长江流域共抽样2369个监测点，其中活螺1061个(检出率0.448)。我们设置网格单元距离为5公里、10公里、50公里、100公里、150公里。钉螺点的再采样次数分别为1747、1421、209、98、44次。钉螺检出率分别为0.462、0.471、0.449、0469、0477。
随着网格细胞的增大，生态区域变大，钉螺重采样点减少，但钉螺检出率保持稳定，如下图所示。
机器学习应用
在对钉螺数据集进行重新采样后，我们尝试将数据与环境和生态变量、海拔、水距离、温度和降雨量相结合来预测钉螺生存区域的适宜性。
这些预测是基于机器学习的随机森林算法。这可以做出更精确的预测，也可以比较对蜗牛表现的不同空间重新评估。
我们发现，当网格单元距离设置为5 km时，模型性能与原始的钉螺调查地点相同(见下图)。
未来的进展
血吸虫病常规工作监测工具建设取得进展。通过设置5公里的生态钉螺调查区，可以得到与之前预测相同的结果，即钉螺调查点从2369个减少到1747个。机器学习是预测血吸虫病传播风险的一种有用的建模技术。机器学习和空间重采样的优点是方便了调查工作量，完善了公共卫生领域的疾病监测系统。
评论