该文章探讨了在中国输入性疟疾风险评估中应用机器学习算法的潜力，并通过构建多种机器学习模型分析了相关风险因素。

  该研究指出，随着中国在2021年被世界卫生组织（WHO）认证为已消除疟疾国家，境外输入性疟疾已成为影响疟疾再传播的主要威胁。研究基于我国2011年至2019年间的输入性疟疾病例报告及World Malaria Report等国际公开数据库，利用随机森林（Random Forest）、XGBoost等六种机器学习模型对输入性疟疾的来源国家进行风险预测。结果表明，随机森林模型表现最佳，该模型在2019年的地区风险预测准确率高达95.3%。

  我国输入性疟疾的主要来源集中在非洲和东南亚等地区，研究揭示了多个与输入性疟疾相关的关键因素，包括来源国的疟疾发病率、死亡率、与中国的贸易往来、人口流动等。随机森林模型的特征重要性分析表明，当地疟疾本土病例数、两国间贸易总额是最重要的预测指标，而XGBoost模型则更注重地理距离和来源国人口、社会等因素。

  此外，文章通过2019年的实际风险与预测风险进行比较，展示了机器学习模型在公共卫生领域中的应用前景，尤其是为高效分配资源、防止输入性疟疾再传播提供了科学依据。研究者建议未来可以结合更多的社会经济变量，进一步优化模型并扩展其适用性。

  该研究为输入性疟疾的风险评估提供了新的方法学参考，同时也为其他传染病输入风险的分析提供了借鉴。文章最后强调，未来通过更多的变量整合和模型改进，能够更精准地预测和应对输入性传染病的公共卫生挑战。

  本文第一作者为中国疾病预防控制中心寄生虫病预防控制所研究生杨硕，通讯作者为郑彬研究员、夏尚研究员。

  附件：全文下载