Application and Validation of Geospatial Foundation Model Data for the Prediction of Health Facility Programmatic Outputs -- A Case Study in Malawi

📄 arXiv: 2510.25954v1 📥 PDF

作者: Lynn Metz, Rachel Haggard, Michael Moszczynski, Samer Asbah, Chris Mwase, Patricia Khomani, Tyler Smith, Hannah Cooper, Annie Mwale, Arbaaz Muslim, Gautam Prasad, Mimi Sun, Tomer Shekel, Joydeep Paul, Anna Carter, Shravya Shetty, Dylan Green

分类: cs.LG, cs.AI

发布日期: 2025-10-29

备注: 13 pages, 3010 words, 2 tables, 2 figures

💡 一句话要点

利用地理空间基础模型数据预测卫生设施项目产出：以马拉维为例

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地理空间基础模型 卫生项目预测 低收入国家 XGBoost 数据融合

📋 核心要点

  1. 低收入国家卫生数据质量受限，传统方法难以准确预测卫生项目产出，影响资源分配和决策。
  2. 本研究利用谷歌PDFM、AlphaEarth和手机CDR等GeoFM嵌入，构建多GeoFM模型，提升预测精度。
  3. 实验表明，多GeoFM模型在人口密度、HIV新发病例和儿童疫苗接种等指标上优于传统方法。

📝 摘要（中文）

低收入和中等收入国家(LMICs)的常规卫生数据的可靠性通常受到报告延迟和覆盖不全的限制，因此需要探索新的数据来源和分析方法。地理空间基础模型(GeoFMs)通过将各种空间、时间和行为数据合成为数学嵌入，为下游预测任务提供了一种有前景的途径。本研究评估了三种GeoFM嵌入源——谷歌人口动态基础模型(PDFM)、谷歌AlphaEarth(源自卫星图像)和手机通话详细记录(CDR)——在马拉维建模15个常规卫生项目产出的预测性能，并将它们的效用与传统地理空间插值方法进行了比较。我们使用来自552个卫生服务区(2021年1月-2023年5月)的数据，采用XGBoost模型，使用R2评估性能，并使用80/20的训练和测试数据分割，在训练中使用5折交叉验证。虽然预测性能参差不齐，但基于嵌入的方法在测试的15个指标中的13个(87%)上优于基线地统计方法。集成所有三个嵌入源的多GeoFM模型产生了最稳健的预测，人口密度(0.63)、新HIV病例(0.57)和儿童疫苗接种(0.47)等指标的平均5折交叉验证R2值，以及测试集R2分别为0.64、0.68和0.55。对于主要数据可用性较低的预测目标，如肺结核和营养不良病例，预测效果较差。这些结果表明，GeoFM嵌入为LMIC背景下选择的健康和人口统计结果带来了一定的预测改进。我们得出结论，整合多个GeoFM来源是补充和加强受限的常规卫生信息系统的有效且有价值的工具。

🔬 方法详解

问题定义：论文旨在解决低收入和中等收入国家(LMICs)常规卫生数据质量不高，导致难以准确预测卫生项目产出的问题。现有方法，如传统的地理空间插值方法，在数据稀疏或不完整的情况下表现不佳，无法有效支持卫生资源的分配和决策。

核心思路：论文的核心思路是利用地理空间基础模型(GeoFMs)的嵌入表示能力，将多种异构数据源（如人口动态、卫星图像和手机通话记录）融合，从而更全面地捕捉影响卫生项目产出的复杂因素。通过学习这些嵌入，模型能够更好地泛化到未观测区域，提高预测的准确性和鲁棒性。

技术框架：整体框架包括数据预处理、GeoFM嵌入提取、模型训练和评估四个主要阶段。首先，对来自不同来源的原始数据进行清洗和整合。然后，利用谷歌PDFM、AlphaEarth和手机CDR等GeoFM提取嵌入特征。接着，使用XGBoost模型，以提取的嵌入特征作为输入，训练预测模型。最后，使用R2指标评估模型在测试集上的预测性能，并与基线方法进行比较。

关键创新：最重要的技术创新点在于整合了多种GeoFM嵌入源，构建了多GeoFM模型。与单一数据源或传统方法相比，多GeoFM模型能够更全面地捕捉影响卫生项目产出的复杂因素，从而提高预测的准确性和鲁棒性。此外，该研究验证了GeoFM在LMIC背景下的适用性，为类似场景的应用提供了参考。

关键设计：研究使用了XGBoost作为预测模型，因为它具有处理高维数据和非线性关系的能力。数据分割采用80/20的训练/测试集比例，并在训练过程中使用5折交叉验证，以防止过拟合。性能评估指标为R2，用于衡量模型预测值与实际值之间的拟合程度。对于多GeoFM模型，直接将不同GeoFM的嵌入特征拼接作为XGBoost的输入。

📊 实验亮点

实验结果表明，多GeoFM模型在15个卫生指标中的13个上优于基线地统计方法。在人口密度、HIV新发病例和儿童疫苗接种等关键指标上，多GeoFM模型取得了显著的预测性能提升，测试集R2分别达到0.64、0.68和0.55。这些结果验证了GeoFM嵌入在LMIC背景下的有效性。

🎯 应用场景

该研究成果可应用于低收入和中等收入国家的卫生资源分配、疾病监测和疫情预测。通过更准确地预测卫生项目产出，可以优化资源配置，提高卫生服务的覆盖率和效率。此外，该方法还可以扩展到其他领域，如城市规划、灾害管理和农业生产等。

📄 摘要（原文）

The reliability of routine health data in low and middle-income countries (LMICs) is often constrained by reporting delays and incomplete coverage, necessitating the exploration of novel data sources and analytics. Geospatial Foundation Models (GeoFMs) offer a promising avenue by synthesizing diverse spatial, temporal, and behavioral data into mathematical embeddings that can be efficiently used for downstream prediction tasks. This study evaluated the predictive performance of three GeoFM embedding sources - Google Population Dynamics Foundation Model (PDFM), Google AlphaEarth (derived from satellite imagery), and mobile phone call detail records (CDR) - for modeling 15 routine health programmatic outputs in Malawi, and compared their utility to traditional geospatial interpolation methods. We used XGBoost models on data from 552 health catchment areas (January 2021-May 2023), assessing performance with R2, and using an 80/20 training and test data split with 5-fold cross-validation used in training. While predictive performance was mixed, the embedding-based approaches improved upon baseline geostatistical methods in 13 of 15 (87%) indicators tested. A Multi-GeoFM model integrating all three embedding sources produced the most robust predictions, achieving average 5-fold cross validated R2 values for indicators like population density (0.63), new HIV cases (0.57), and child vaccinations (0.47) and test set R2 of 0.64, 0.68, and 0.55, respectively. Prediction was poor for prediction targets with low primary data availability, such as TB and malnutrition cases. These results demonstrate that GeoFM embeddings imbue a modest predictive improvement for select health and demographic outcomes in an LMIC context. We conclude that the integration of multiple GeoFM sources is an efficient and valuable tool for supplementing and strengthening constrained routine health information systems.