Baidu検索インデックスとAutoregressive Integrated Moving Averageを使用した中国のscar色発熱の早期警告と予測説明変数（ARIMAX）モデル：時系列分析

背景：インターネット由来のデータと、説明変数（ARIMAX）モデルを備えた自己回帰統合移動平均（ARIMA）とARIMAは、感染性疾患監視に広く使用されています。ただし、scar紅熱の発生率を予測する上でのBaidu検索インデックス（BSI）の有効性は不確実なままです。 目的：私たちの目的は、低コストのBSI監視システムが、中国の従来のscar色発熱監視の貴重な補完として潜在的に機能する可能性があるかどうかを調査することでした。 方法：2011年1月から2022年8月の間に中国国民保健委員会の中国保健委員会のデータを使用して、中国のscar色発熱の発生率を予測するためにArimaおよびArimaxモデルが開発されました。スピアマンのランク相関と相互相関分析、scar紅熱包括的な検索インデックス（CSI）の構築、トレーニングセットでのモデリング、テストセットでの予測、予測のパフォーマンスの比較。 結果：scar紅熱の平均月額発生率は4462.17（SD 3011.75）の症例であり、年間発生率は2019年まで上昇傾向を示しました。キーワードデータベースには52のキーワードが含まれていましたが、モデリングには非常に関連性の高いものが6つしか選択されていませんでした。報告された症例とscar紅熱CSI（RS = 0.881）の間に、高い槍様式のランク相関が観察されました。Arima（4,0,0）（0,1,2）（12）モデルを開発し、Arima（4,0,0）（0,1,2）（12） + CSI（Lag = 0）を開発しました。arimax（1,0,2）（2,0,0）（12）モデルをBSIと組み合わせました。3つのモデルには適していて、残留ljung-boxテストに合格しました。アリマ（4,0,0）（0,1,2）（12）、アリマ（4,0,0）（0,1,2）（12） + CSI（lag = 0）、およびarimax（1、0,2）（2,0,0）（12）モデルは、平均絶対誤差が1692.16（95％CI 588-2799.44）、1067.89（95％CI 402.02-1733.76）、および639.75（9599.75（95）の有利な予測能力を示しました。それぞれ％CI 188.12-1091.38）。2036.92（95％CI 929.64-3144.20）、1224.92（95％CI 559.04-1890.79）、および830.80（95％CI 379.17-1282.43）の根平方乗誤差誤差。4.33％（95％CI 0.54％-8.13％）、3.36％（95％CI -0.24％から6.96％）、2.16％（95％CI -0.69％から5.00％）の平均絶対率誤差。ArimaxモデルはArimaモデルよりも優れており、値が小さいと予測のパフォーマンスが向上しました。 結論：この研究は、BSIがscar紅熱の早期警告と予測に使用できることを実証し、従来の監視システムの貴重な補足として機能します。

BACKGROUND: Internet-derived data and the autoregressive integrated moving average (ARIMA) and ARIMA with explanatory variable (ARIMAX) models are extensively used for infectious disease surveillance. However, the effectiveness of the Baidu search index (BSI) in predicting the incidence of scarlet fever remains uncertain. OBJECTIVE: Our objective was to investigate whether a low-cost BSI monitoring system could potentially function as a valuable complement to traditional scarlet fever surveillance in China. METHODS: ARIMA and ARIMAX models were developed to predict the incidence of scarlet fever in China using data from the National Health Commission of the People's Republic of China between January 2011 and August 2022. The procedures included establishing a keyword database, keyword selection and filtering through Spearman rank correlation and cross-correlation analyses, construction of the scarlet fever comprehensive search index (CSI), modeling with the training sets, predicting with the testing sets, and comparing the prediction performances. RESULTS: The average monthly incidence of scarlet fever was 4462.17 (SD 3011.75) cases, and annual incidence exhibited an upward trend until 2019. The keyword database contained 52 keywords, but only 6 highly relevant ones were selected for modeling. A high Spearman rank correlation was observed between the scarlet fever reported cases and the scarlet fever CSI (rs=0.881). We developed the ARIMA(4,0,0)(0,1,2)(12) model, and the ARIMA(4,0,0)(0,1,2)(12) + CSI (Lag=0) and ARIMAX(1,0,2)(2,0,0)(12) models were combined with the BSI. The 3 models had a good fit and passed the residuals Ljung-Box test. The ARIMA(4,0,0)(0,1,2)(12), ARIMA(4,0,0)(0,1,2)(12) + CSI (Lag=0), and ARIMAX(1,0,2)(2,0,0)(12) models demonstrated favorable predictive capabilities, with mean absolute errors of 1692.16 (95% CI 584.88-2799.44), 1067.89 (95% CI 402.02-1733.76), and 639.75 (95% CI 188.12-1091.38), respectively; root mean squared errors of 2036.92 (95% CI 929.64-3144.20), 1224.92 (95% CI 559.04-1890.79), and 830.80 (95% CI 379.17-1282.43), respectively; and mean absolute percentage errors of 4.33% (95% CI 0.54%-8.13%), 3.36% (95% CI -0.24% to 6.96%), and 2.16% (95% CI -0.69% to 5.00%), respectively. The ARIMAX models outperformed the ARIMA models and had better prediction performances with smaller values. CONCLUSIONS: This study demonstrated that the BSI can be used for the early warning and prediction of scarlet fever, serving as a valuable supplement to traditional surveillance systems.