利用机器学习多模型预测西尼罗病毒神经侵袭性疾病，识别重要的区域气候驱动因素

西尼罗病毒（WNV）是美国本土蚊媒传染病的主要原因。历史发病率、环境因素和复杂生态学的空间异质性使得预测WNV传播的时空变化具有挑战性。机器学习为识别此类情况下的重要变量提供了有前景的工具。为了预测美国本土（2015-2021年）的年度WNV神经侵袭性疾病（WNND）病例，我们拟合了10个概率模型，其复杂度从朴素模型到机器学习算法不等，并构建了一个集成模型。我们在九个气候区域的六边形网格上进行了预测，并评估了每个模型的预测精度。利用机器学习模型（随机森林和神经网络），我们识别了预测因子（历史WNND病例、气候异常、人口统计和土地利用）在各区域间的相对重要性和排名变化。我们发现历史WNND病例和人口密度是最重要的因素之一，而温度和降水的异常通常重要性较低。虽然每个模型的相对性能因气候区域而异，但模型之间的差异幅度较小。除朴素模型外，所有模型相对于基线模型（每个六边形拟合的负二项模型）的性能差异均不显著。没有任何模型，包括集成模型或更复杂的机器学习模型，在六边形或区域层面优于基于历史病例数的模型；这些模型是良好的预测基准。需要进一步的工作来评估预测能力是否能够超越这些历史基线的水平。