亜熱帯地域におけるインフルエンザ伝播は、複雑かつ非線形な気象条件に左右される一方、サーベイランスに基づく予測は、COVID-19流行期における検査強度の変動と非医薬品的介入によってさらに複雑化している。既存のアプローチは、予測能力を伴わずに時間差のある環境要因との関連を特徴づけるか、疫学的な解釈可能性が明確でないまま深層学習を適用することが多い。本研究では、中国南東部の亜熱帯沿岸都市である莆田市から得た6年間（2018～2023年）の複数地点にわたるインフルエンザ・サーベイランスデータを用い、気象要因との関連を特徴づけ、短期予測を改善するための2段階フレームワークを開発した。検査に関連するサーベイランスの偏りを軽減するため、インフルエンザ陽性率を主要アウトカムとした。気象変数とインフルエンザ陽性率との亜型別かつ時間差のある関連を推定するために分布ラグ非線形モデル（DLNM）を構築し、気象、自己回帰、および社会行動学的共変量を統合したベイズ最適化長短期記憶（LSTM）ネットワークを開発して、インフルエンザA型およびB型の活動を予測した。インフルエンザA型の陽性率は温暖な条件と関連し、15℃でピークを示し（相対リスク［RR］＝3.01、95％信頼区間：1.03～8.78）、日較差が小さい条件とも関連した。一方、インフルエンザB型の陽性率は、より低温（8℃、RR＝26.12、95％信頼区間：7.79～87.61）、高湿度（91％、RR＝1.52、95％信頼区間：1.00～2.29）、および低日射量の条件と関連した。LSTMは、両亜型について、共変量を一致させたベースラインモデル（多変量自己回帰和分移動平均［ARIMA］およびeXtreme Gradient Boosting［XGBoost］）よりも低い予測誤差を達成した。平均絶対誤差（MAE）は、インフルエンザA型で0.009であり、ARIMAの0.136およびXGBoostの0.138を下回った。インフルエンザB型では0.002であり、ARIMAの0.049およびXGBoostの0.070を下回った。対称平均絶対パーセント誤差（SMAPE）は、インフルエンザA型で0.521であり、各ベースラインの1.212および1.081を下回り、インフルエンザB型では0.484であり、各ベースラインの0.810および0.737を下回った。共変量アブレーションおよびSHapley Additive exPlanations（SHAP）解析から、過去の陽性率と検査関連変数が、サーベイランスの変動下における予測の安定性に実質的に寄与することが示唆された。三明市における外部評価では、モデルの移植可能性を示す予備的証拠が得られた。この統合DLNM–LSTMフレームワークは、亜型別の気象要因との関連を特徴づけ、亜熱帯環境におけるインフルエンザ予測を改善するための解釈可能なアプローチを提供する。
https://doi.org/10.1101/2025.07.13.25331478