在傳染病防控領域，準確預測疾病傳播趨勢是制定有效干預措施的前提。手足口病（Hand, Foot, and Mouth Disease, HFMD）作為一種常見的兒童傳染病，其傳播受到復雜的社會、環境因素影響。傳統的預測模型，如經典的SEIR或SIR模型，通常依賴于靜態參數，它們假設疾病的傳播率、恢復率等在預測期內保持不變。然而，現實世界是動態變化的，尤其是在采取隔離、停課等公共衛生干預措施后，疾病的傳播態勢會發生顯著改變。忽略這些動態干預影響的模型，其預測結果往往與實際情況存在較大偏差，導致“模型好看，實戰失靈”的窘境，難以真正服務于精準防控決策。那么，能否構建一個能“感知”現實干預、并隨之動態調整的“聰明”模型呢？

為了回答這一挑戰，一篇發表在《Scientific Reports》上的研究提出了一個創新的解決方案。研究人員旨在開發一種能夠實時動態預測HFMD傳播的混合模型，以克服傳統靜態模型的局限，并量化評估隔離干預措施的效果。

為開展此項研究，作者主要運用了幾個關鍵技術方法：首先是構建了一個增強型傳染病動力學框架，即在經典的易感者（S）、暴露者（E）、感染者（I）、康復者（R）模型基礎上，引入了隔離者（Q）倉室，形成了SEIRQ模型，并設計了隨時間變化的隔離率δ(t)來顯式追蹤干預。其次，研究采用了多階段人工蜂群-灰狼優化（Artificial Bee Colony–Grey Wolf Optimization, ABC–GWO）混合算法，用于校準SEIRQ模型中的非線性動態參數，該策略旨在提升優化過程的穩定性并避免早熟收斂。再者，研究人員將機理模型與統計模型相結合，提出了SEIRQ–ARIMA混合模型框架，利用ARIMA（Autoregressive Integrated Moving Average）模型學習SEIRQ模型殘差中的時序規律，以進一步提升預測精度。模型的訓練與驗證數據來源于中國廣西地區2014年至2020年的歷史HFMD監測記錄。

本研究核心是提出了SEIRQ-ARIMA混合模型。SEIRQ模型通過引入隔離倉室和動態隔離率δ(t)，實現了對現實隔離干預的數學表征。模型參數通過創新的多階段ABC-GWO算法進行校準，該算法結合了人工蜂群（ABC）的廣泛探索能力和灰狼優化（GWO）的精細開發能力，有效解決了非線性參數估計中的收斂難題。最終的混合模型通過整合SEIRQ的機制性預測和ARIMA對殘差的統計學習，形成了最終的預測輸出。

基于廣西2014-2020年數據的驗證表明，所提出的SEIRQ-ARIMA混合模型在預測性能上取得了顯著提升。與單獨的SEIRQ模型相比，混合模型的均方根誤差（RMSE）降低了94.6%；與單獨的ARIMA模型相比，平均絕對誤差（MAE）降低了94.1%。這證明了融合機理與統計方法的混合框架在捕獲HFMD傳播復雜動態方面的優越性。

研究的一個重要貢獻是對隔離干預效果進行了定量評估。模型分析顯示，存在一個最優隔離率（δ = 0.413）。在此最優策略下，HFMD的感染峰值可以降低52.7%。敏感性分析進一步指出，隔離率δ在[0.3, 0.5]區間內是產生顯著防控效果的關鍵范圍。此外，研究估算了干預的成本效益比，達到1:8.7，即每投入1單位的防控成本，可獲得約8.7單位的健康效益，從經濟學角度證明了隔離措施的有效性。

本研究成功開發并驗證了一個用于實時動態預測HFMD傳播的SEIRQ-ARIMA混合模型，該模型通過多階段ABC-GWO算法優化，顯著提升了預測準確性。研究的核心結論在于，通過顯式建模動態隔離率δ(t)，模型能夠有效反映公共衛生干預的影響，從而使得預測更貼近真實世界。所量化的最優隔離率（δ = 0.413）及關鍵區間（[0.3, 0.5]）為決策者制定精準的隔離策略提供了明確的科學依據。高達1:8.7的成本效益比也從衛生經濟學層面支持了隔離措施的實施價值。這項工作的意義在于，它將傳統的靜態傳染病動力學模型推向了一個能夠融合實時數據、自適應調整的動態智能預測新階段，為傳染病監測預警和干預效果評估提供了強有力的量化工具。論文也指出了當前模型的局限，例如對經濟因素的假設較為簡化。未來的研究方向包括納入更細致的成本效益模型，以及探索集成基于Transformer的先進預測模塊，以進一步提升模型的性能和適用性。