Um Framework de Aprendizagem de Máquina Validada Espacial para Mapeamento do Potencial de Exposição da Síndrome Alfa-Gal em Illinois

O que aconteceu

O carrapato da estrela solitária, Amblyomma americanum, está intimamente associado com a síndrome alfa-gal (AGS), uma doença alérgica associada ao carrapato emergente. No entanto, a vigilância heterogênea de carrapatos e dados clínicos limitados de FGA complicam a avaliação da exposição geográfica. Investigamos se a modelagem ecológica e a vigilância epidemiológica poderiam identificar áreas de exposição potencialmente elevada à AGS em Illinois. Usando dados de 102 condados de Illinois, oito modelos estatísticos e de aprendizado de máquina foram avaliados por meio de validação cruzada geográfica para prever a abundância relativa de carrapatos de estrelas solitárias. As previsões de floresta aleatória e XGBoost foram combinadas separadamente com as taxas de erliquiose relatadas para a construção de índices de exposição-risco de GEA de nível municipal. A população de Wildland-urban interface (WUI) foi examinada em análises de sensibilidade. A floresta aleatória obteve um erro de previsão quase mínimo enquanto XGBoost demonstrou a maior correlação de classificação. Ambos os índices apresentaram concordância substancial com as categorias do CDC suspeita-AGS em 97 municípios (Spearman {rho} = 0,710 e 0,721). No maior limiar de categoria, as razões de chance por 0,10-unidade de aumento do índice foram 5,02 e 3,63, respectivamente. Ao integrar as predições ecológicas com a vigilância epidemiológica, estabelecemos um quadro reprodutível e espacialmente explícito para priorizar a vigilância da AGS, direcionar intervenções e orientar futuras investigações epidemiológicas em todos os municípios de Illinois.