近日，上海交通大学医学院-国家热带病研究中心全球健康学院（以下简称“全球健康学院”）周晓农课题组在国际期刊Infectious Disease Modelling在线发表了题为“Optimal decision-making in relieving global high temperature-related disease burden by data-driven simulation”的研究论文。该研究与复旦大学大数据学院傅博教授团队合作，通过搭建图神经网络算法，在One Health系统思维框架下融合建模，逐步刻画干预决策关键环节，基于全球尺度数据尝试算法最优决策包输出。

随着全球气候变暖的加速，高温相关疾病（High Temperature-related Diseases, 简称HTDs）的疾病负担不断增加，这突显了迫切需要基于证据的管理策略。本研究提出了一个以“全健康”（One Health）为基础的概念框架，旨在缓解全球HTDs的负担。该框架通过建立系统性的影响路径和数据驱动模型，为不同情境下的基于证据的决策提供了参考。研究收集了2010至2019年间来自权威公共数据库的广泛国家级数据，并选取了心血管疾病、传染性呼吸系统疾病、伤害、代谢性疾病和非传染性呼吸系统疾病等五类疾病负担作为中间结果变量，五类疾病的累积负担被称为总HTD负担，是最终的结果变量。

在模型选择方面，研究评估了八种模型的预测性能，并引入了十二项干预措施，以探索最优决策策略及其相应的贡献。研究结果表明，图神经网络（Graph Neural Network, 简称GNN）模型在多个指标上表现出色。利用GNN模型驱动的模拟，研究识别了一套旨在减少疾病负担的最优干预策略，这些策略特别针对东亚及太平洋地区、欧洲及中亚地区、拉丁美洲及加勒比地区、中东及北非地区、北美地区、南亚地区和撒哈拉以南非洲地区七大区域。在基础设施与社区、生态系统韧性和卫生系统能力等类别中，部门减缓和适应措施表现出特别强大的性能，适用于不同区域和疾病。

本研究尝试了一个全球决策工具，为政策制定者提供了一种系统化的方法，以开发针对性的干预策略，应对全球变暖背景下日益严重的HTDs挑战。研究提出的七项干预措施包括提高低碳能源使用、增加能源强度、改善饲料、扩大基本卫生保健覆盖范围、加强卫生融资、解决空气污染问题和改善道路基础设施等，这些措施被纳入了每个区域的最优干预方案中。通过这一研究，研究团队不仅为全球HTDs的管理提供了新的视角和工具，也为各国政策制定者在应对气候变化对健康影响方面提供了科学依据和实践指导。

全球健康学院直博研究生李欣辰、复旦大数据学院博士研究生钱皓然、全球健康学院硕士研究生章妍妍为本文的共同第一作者，全球健康学院张晓溪副研究员、周晓农研究员和复旦大数据学院傅博教授为本文的共同通讯作者。本研究得到国家自然科学基金项目、上海市科学技术委员会、国家卫生健康委员会等基金支持。