Climatic suitability for leishmaniasis at global and European scales

本研究利用 XGBoost 机器学习框架证明，全球及欧洲利什曼病风险由土地利用、气候变化和社会经济不平等之间的相互作用所驱动，揭示了自 20 世纪 90 年代以来疾病患病率显著上升以及欧洲内脏利什曼病向北扩张的趋势，从而凸显了加强监测并为脆弱人群提供针对性支持的必要性。

要点

以下是用简单语言和创意类比对该论文的解读。

宏观图景：一场“沙蝇在哪里？”的游戏

想象一下，利什曼病就像是一场由微小且隐形的敌人玩捉迷藏的游戏。这个敌人是一种寄生虫，但它需要一个“信使”将其带给人类。这位信使就是沙蝇（一种微小的昆虫）。如果沙蝇无法在某个地方生存，游戏就无法在那里开始。

这篇论文就像一位超级聪明的侦探（使用名为 XGBoost 的计算机程序），试图预测这场游戏最可能发生在哪里。侦探通过观察三个主要线索来解开谜团：

1. 天气：是太热、太冷、太干，还是恰到好处？
2. 地貌：那里是森林、灌木丛，还是城市？
3. 人群：该地区是贫穷还是富裕？人们是否都能获得良好的医疗保健？

侦探的工具箱：他们是如何做到的

研究人员构建了两张不同的“地图”来解开这个谜题：

• 全球地图：审视整个世界（就像一个地球仪）。
• 欧洲地图：仔细查看欧洲（就像一张详细的街道地图）。

他们向计算机输入了数千年来关于温度、降雨、土壤和土地利用的数据。他们还查看了社会数据，例如有多少人生活在贫困中或缺乏基本服务。计算机学会了识别模式：“啊，每当有灌木丛，冬天寒冷但夏季潮湿，且人们经济拮据时，沙蝇和疾病就会出现。”

重大发现

1. “灌木”因素是王者

最重要的线索并非温度或贫困，而是土地利用。具体来说，是灌木和森林。

• 类比：把灌木和森林想象成沙蝇的“五星级酒店”。这些地方提供树荫（以躲避阳光）、水分（防止卵干燥）以及丰富的零食（沙蝇叮咬的兔子和啮齿动物等动物）。如果有灌木，很可能就有沙蝇。

2. 天气很重要（但不仅仅是“热”）

计算机发现沙蝇对天气很挑剔。

• 寒冷：它们需要一个不是太冻人的冬天（通过“最冷季度的平均温度”来衡量）。
• 干燥：它们需要在一年中最热或最干燥的时期保持湿度。如果天气变得太热太干，沙蝇就无法生存。
• 转变：随着气候变化，“酒店”正在迁移。一些喜欢温暖的沙蝇正在向北移动，而喜欢凉爽潮湿地方的沙蝇正在退缩。

3. 贫困是一个强有力的预测指标

这项研究证实，这种疾病是一种“不平等之病”。

• 类比：即使天气非常适合沙蝇，疾病通常也只在人们脆弱时才会扎根。将贫困、住房条件差和缺乏医疗保健视为让疾病进入的“敞开的门”。在欧洲，这与可能生活在拥挤或临时条件下的难民和移民有关。

随着时间的推移发生了什么变化？

侦探观察了从 1990 年代到今天（2024 年）这场“游戏”是如何变化的。

• 全球范围：该疾病的风险增加了约17%。最大的增幅发生在非洲、亚洲和美洲。
• 在欧洲：整体风险仅略有上升（约 1-2%），但风险的位置发生了巨大变化。
  • 内脏利什曼病（严重类型）：它正在缓慢向北移动。芬兰和瑞典等国面临的风险正在增加，尽管绝对数量仍然很低。
  • 皮肤利什曼病（皮肤类型）：它在南欧和东欧（如西班牙、法国、意大利和巴尔干地区）变得更加严重。某些特定地区的风险甚至翻了一番或两倍。

沙蝇的迁徙

该研究还追踪了欧洲特定类型的沙蝇：

• 耐热适应者：喜欢热量的物种（如 P. ariasi 和 P. perniciosus）正在扩大其领地，进入新区域。
• 喜凉者：喜欢较凉爽、潮湿天气的物种（如 P. perfiliewi）正在退缩，因为南欧变得对它们来说太热太干了。

局限性（侦探无法看清的地方）

论文承认侦探无法完美解决的一些问题：

• 输入病例：有时人们是在前往另一个国家旅行后生病并将疾病带回来的。模型并不总能判断病例是本地发生的，还是像“纪念品”一样被“输入”的。
• 数据缺口：在世界某些地区（特别是非洲），我们没有足够的数据来 100% 确定数字。
• 缺失的拼图：模型没有关于一个地区有多少狗或兔子的完美数据，尽管这些动物是沙蝇的主要“食物”。

底线

论文得出结论，气候变化、土地利用（灌木）和社会不平等正在共同作用，改变这种疾病的生活地点。

• 警告：“安全区”正在缩小。该疾病在欧洲向北移动，并在世界其他地区扩散。
• 解决方案：我们需要更好的监测（监视沙蝇）、更好的环境管理，以及对难民和穷人等脆弱群体的特别关注，因为他们是最有可能在这场游戏中中招的人。

注：论文强调这是一项旨在了解风险模式的研究，而非立即医疗治疗的指南。

技术摘要

问题陈述
利什曼病是一种由白蛉传播的、对气候敏感的人畜共患被忽视热带病，构成了重大的全球健康负担，尤其影响边缘化和流离失所人群。尽管该病在 99 个国家呈地方性流行，但其时空动态正日益受到环境变化、土地利用转变和社会经济不平等的影响。现有的监测数据往往稀疏、不一致，或缺乏识别新兴疫点所需的分辨率，特别是在欧洲，由于气候变化，该病被视为一种新兴威胁。迫切需要建立一个稳健的建模框架，整合气候适宜性、土地覆盖和社会经济决定因素，以在国家和区域尺度上绘制当前风险并预测未来趋势。

方法
本研究采用机器学习框架，使用极端梯度提升（XGBoost）算法对利什曼病及其媒介的分布进行建模。分析在两个空间尺度上进行：

• 全球尺度： 在国家层面将皮肤利什曼病（CL）和内脏利什曼病（VL）建模为综合结果。由于缺乏全球白蛉数据集，使用疾病存在作为媒介存在的代理指标。
• 欧洲尺度： 在 NUTS2（次国家）层面分别对 CL 和 VL 进行建模。此外，还单独对五种已证实的媒介物种（P. perniciosus, P. ariasi, P. perfiliewi, P. neglectus, P. tobbi）进行了建模。

数据与特征：

• 结果数据： 来自 Pigott 等人（2014）的利什曼病病例数据（1970–2012 年）以及用于验证的世卫组织全球卫生观察站数据。欧洲白蛉存在数据（2015–2024 年）源自 ECDC/VectorNet。
• 预测变量： 模型纳入了 27 个气候协变量（源自 ERA5 再分析并转换为 WorldClim 生物气候指标，包括温度、降水、湿度和土壤水分）、土地覆盖类别（来自哥白尼全球土地覆盖）、海拔以及社会经济指数（全球人类发展指数；欧洲的贫困和社会排斥风险 [AROPE]）。
• 建模过程： 初步模型使用 SHAP（Shapley 加法解释）值识别关键特征以确保可解释性。对相关性特征（r > 0.7）进行聚类以防止过拟合。最终模型基于 75:25 的训练/测试数据分割进行训练，并通过网格搜索进行超参数调整。使用 AUC、灵敏度、特异性和 RMSE 评估模型性能。

主要结果

• 预测性能： 所有模型均显示出高预测精度（大多数欧洲模型的 AUC > 0.95；全球模型为 0.903）。纳入社会经济预测变量 consistently 提高了模型性能，证实了贫困和不平等作为疾病分布决定因素的作用。
• 特征重要性： 土地利用特征，特别是灌木林和森林覆盖，在两个尺度上均表现出最大的解释力，反映了它们在提供微气候和脊椎动物宿主方面的作用。气候因素，特别是最冷季度的平均温度和最暖/最干季度的湿度，也极具影响力。
• 全球趋势： 自 20 世纪 90 年代以来，全球利什曼病风险增加了约 17%。预计非洲、亚洲和美洲的增幅最为显著。
• 欧洲趋势： 虽然大陆尺度的增幅 modest（CL +1.28%；VL +2.47%），但风险高度异质。
  • 内脏利什曼病（VL）： 显示出向北扩张的趋势，北欧国家的风险显著增加（例如芬兰 +41.7%，瑞典 +58.2%），尽管绝对风险仍然较低。
  • 皮肤利什曼病（CL）： 南欧和东欧的风险正在增加，西班牙南部、法国、意大利和巴尔干地区的部分 NUTS2 区域增幅超过 100%。
• 媒介动态： 预测表明，适应温暖的白蛉物种（P. ariasi, P. perniciosus, P. neglectus）将扩张，而偏好较凉爽、潮湿生态位的物种（P. perfiliewi, P. tobbi）将收缩。

意义与主张
本文声称，通过使用整合气候、土地利用和社会经济驱动因素的统合机器学习方法，在全球和欧洲尺度上绘制利什曼病风险图，做出了新颖的贡献。研究强调，利什曼病不仅仅是气候问题，而且与社会经济不平等深深交织，即使在欧洲等发达地区也是如此。

作者断言，这些发现强调了以下方面的需求：

1. 加强监测： 特别是在新兴地区和针对特定媒介物种。
2. 综合媒介管理： 针对气候变化、土地利用和媒介栖息地之间的相互作用。
3. 定向支持： 重点关注脆弱人群，包括难民和移民，他们受到疾病社会经济决定因素的 disproportionately 影响。

论文结论指出，若不协调努力解决数据缺口、监测局限性和社会经济脆弱性，白蛉气候适宜性的扩张将继续使更多人面临一种可预防但可能导致毁容甚至致命的疾病的风险。作者明确表示，该预印本尚未经过同行评审，不应据此指导临床实践。