The Impact of Climate Variability on the Spatial Dynamics of Malaria in the Global South: A Systematic Review of Modelling Studies, with a Focus on Vulnerable Populations
这项针对39项建模研究（2010–2025年）的系统综述表明，温度和降雨量是全球南方疟疾传播的主要气候驱动因素，同时机器学习和混合模型提供了卓越的预测能力，并强调了建立综合框架以应对脆弱群体面临的更高风险的紧迫需求。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
疟疾是一种在热带温暖潮湿的环境中滋生的疾病，由在积水中繁殖并向人类传播寄生虫的蚊子携带。几十年来，科学家们一直知道天气在这一疾病传播过程中扮演着核心角色。当气温升高时，蚊子可以在曾经过于寒冷的地方生存；而当降雨发生时，它们会创造出新的繁殖水池。然而，这种关系并非简单的直线关系：过多的降雨可能会冲走繁殖地，而极端的酷热则可能杀死这些昆虫。随着全球气候的变化——变得更加难以预测，白昼更热，风暴更频繁——公共卫生官员面临着一个难题：疟疾下一步会在哪里出现，谁面临的风险最高？回答这个问题需要将景观视为一个复杂的系统，而不仅仅是国家的地图，在这个系统中，天气、地理与人类生活交织在一起。
为了应对这种复杂性，研究人员转向了计算机模型。这些模型并非水晶球，而是复杂的数学工具，它们利用海量信息——例如每日气温读数、降雨总量和植被的卫星图像——来模拟疟疾可能如何运作。一些模型依赖传统的统计学来寻找规律，而另一些则使用机器学习（一种人工智能技术），能够发现人类可能忽略的细微且非线性的联系。其目标是超越猜测，走向在疫情爆发前进行预测，从而让卫生工作者能够在正确的时间将蚊帐和药物送到正确的地点。
一项新的系统评价汇总了目前为止我们所掌握的最佳研究成果。研究人员收集并分析了 2 世纪 2010 年至 2025 年间发表的 39 项不同研究，这些研究主要针对“全球南方”——这个术语涵盖了非洲、亚洲以及拉丁美洲部分地区等疟疾高发的开发中国家。团队特别关注了这些研究如何利用气候数据对疾病传播进行建模，并密切观察它们是否考虑了最容易受害的人群，如幼儿和孕妇。通过综合这些发现，该评论为气候变率如何驱动疟疾传播以及哪些工具最适合追踪它提供了一个清晰的图景。
分析显示，绝大多数此类研究发生在非洲，39 项研究中有 26 项是在非洲大陆进行的。这种侧重反映了那里沉重的疾病负担，但也凸显了其他地区在知识上的空白，因为没有来自拉丁美洲和加勒比地区的研究符合纳入标准。其余的研究分布在亚洲和中东地区。在所有这些不同的地点，有两个气候因素脱颖而出，成为疟疾传播最一致的驱动因素：温度和降雨。这两个要素出现在几乎所有的研究中，其中温度在超过 90% 的研究中被提及，降雨量则在超过四分之三的研究中被提及。虽然湿度、植被绿度和海拔等其他因素也发挥了作用，但由热量和水分定义的季节律动，仍然是该疾病传播的主要引擎。
研究人员发现，科学家建模的方式在过去十年中发生了显著演变。早期的研究严重依赖数学和统计模型，这些模型非常擅长解释“为什么”会发生某事。这些模型具有透明度且易于理解，有助于决策者理解降雨月份与病例激增之间的联系。然而，该评论指出，这些传统方法有时难以应对自然界中混乱且非线性的现实，例如温度的一个微小变化可能会产生巨大的影响，或者降雨的影响取决于距离上次风暴已经过去了多久。
作为回应，近期的研究越来越多地转向机器学习。这些计算机算法就像强大的模式识别引擎，可以消化海量数据集，以发现简单方法无法发现的复杂联系。评论发现，这些机器学习方法通常在预测疫情发生的精确时间和地点方面表现更好，往往能达到很高的准确度。然而，它们也带来了权衡：虽然它们在预测方面表现出色，但却较难理解，表现得有些像“黑箱”，其内部逻辑对人类观察者而言并不直观。最有前景的路径似乎是一种混合方法，即将机器学习的预测能力与传统统计学的解释清晰度结合起来。这种融合使科学家既能高精度地预测风险，又能向公共卫生领导层解释驱动这些风险的因素。
至关重要的是，该评论强调气候并非孤立起作用。那些关注脆弱人群（特别是五岁以下儿童、孕妇和低收入农村社区）的研究发现，这些群体承受着不成比例的疾病负担。对于这些人群来说，风险不仅在于天气，还在于天气如何与贫困相互作用。在一个排水良好、窗户有纱窗的富裕社区，雨季可能不会导致大规模疫情；但在一个住房简陋、医疗资源有限的农村村庄，同样的降雨可能会引发感染激增。研究表明，忽视这些社会因素的模型，在保护那些最需要帮助的人群方面效果较差。
该评论收集的证据表明，尽管我们在理解气候与疟疾之间的联系方面取得了重大进展，但仍有大量工作要做。许多模型仍然依赖于有限的气候数据，并且往往忽略了其他重要的环境细节，例如土壤类型或农民土地利用的具体方式。此外，使人们变得脆弱的社会因素经常被排除在方程之外，因为这类数据难以获取或缺乏一致性。作者总结道，疟疾控制的未来在于建立更具综合性的模型。这些下一代工具将把天气数据、环境细节和社会信息整合进一个单一且全面的图景中。通过这样做，它们可以帮助卫生系统变得更具韧性，确保当气候发生变化时，对世界上最脆弱人群的保护也能随之调整。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。