论文推荐 | 人工智能在传染病监测预警体系中的应用综述

全球公共卫生领域正面临多重传染病的严峻挑战，重症急性呼吸综合征、基孔肯亚热、埃博拉出血热、中东呼吸综合征及新型冠状病毒肺炎等新发传染病都引发了严重的公共卫生危机[1-2]。结核病、登革热、疟疾等传染病的反复流行，依旧对全球公共卫生安全构成重大威胁[3-6]。随着全球化进程持续加快，人员与货物的跨国流动日益频繁，为传染病的快速传播创造了有利条件。因此，亟需构建高效可靠的传染病监测预警体系，以便在疫情初期迅速识别并及时采取有效的防控措施，避免疾病蔓延。

传染病监测预警体系是复杂的公共卫生工具，其借助系统化收集与分析传染病相关数据，从而提前识别并预测疾病的暴发和流行趋势[7]。自2004年我国建立法定传染病网络直报系统以来，始终致力于不断完善与发展这一监测预警体系；然而，现有系统仍存在一些问题，例如数据来源单一、信息处理能力不足以及预警响应时间较长等问题，这在一定程度上削弱了系统对新发传染病和不明原因疾病的早期预警能力[8]。根据《关于建立健全智慧化多点触发传染病监测预警体系的指导意见》，我国计划在2030年前构建一个快速响应、科学高效且具备多点触发机制的传染病监测预警系统[9]；该系统意在提升新发、突发及重点传染病的监测预警灵敏度与准确性，力争达到国际领先水平。近年来，人工智能（artificial intelligence，AI）技术迅速发展，为构建全面智能化的多点触发传染病监测预警体系创造了新的机遇。AI技术涉及机器学习、数据挖掘和自然语言处理等，在多个领域展现出卓越的数据处理和模式识别能力，其在传染病监测预警系统中的应用同样存在巨大的潜力[10-12]。借助大数据与云计算等前沿技术，AI能够高效整合医疗机构、疾控中心、社区、环境监测以及动物疫病监测等多领域的数据[12]。在智能分析与预警阶段，AI通过构建复杂的算法模型，自动识别监测数据中的异常情况，进行智能分析与判断，从而评估疫情风险等级，并自动生成预警信息[13]；这种预警机制提升了预警的灵敏度和准确性，还为政府及卫生部门提供了有力的决策支持，帮助制定更为科学合理的防控策略。

本研究系统梳理了近年来AI在传染病监测预警体系中的应用发展情况，着重介绍了AI在现有传染病疫情报告管理系统、症状监测、病媒生物、宿主动物以及环境相关风险因素监测、社会感知监测等多个领域的实践应用，探讨了AI技术在传染病监测预警中的应用前景及存在的局限性，旨在为构建多点触发、智慧化的传染病监测预警体系提供新的思路和方法。

1.1 AI在现有传染病疫情报告管理中的应用

现有传染病疫情报告管理系统主要依赖临床诊断或实验室确诊数据，常选用固定阈值模型、移动百分位数法以及自回归集成移动平均（autoregressive integrated moving average model，ARIMA）模型等预警方法。固定阈值模型能够迅速识别病例异常增加、群体聚集或敏感病例，从而及时应对疫情的突发情况[7]。移动百分位数法通过评估不同传染病预警阈值所对应的灵敏度与特异度，确定出最佳预警阈值[14]，而ARIMA模型则主要用于预测传染病的发病趋势[15]。

随着AI技术的引入，传染病监测的效率得到了显著提升。深度学习和自然语言处理技术赋予了AI自动化处理和分析大量病例报告数据的能力，从中提取关键信息和特征，实现疫情发展趋势的预测与预警[8]。AI技术的应用使得开发高级预测模型成为可能，这些模型可根据历史数据和当前趋势，预测传染病的传播路径以及潜在暴发。解合川等[16]采用支持向量回归技术构建了预测模型，选取中国内地细菌性痢疾的发病率作为案例展开分析，结果表明该模型具有较高的预测准确性。GUO等[17]利用实时循环学习（real-time recurrent learning，RTRL）和扩展卡尔曼滤波（extended kalman filter，EKF）方法，对中国4种呼吸道传染病和4种消化道传染病进行分析，综合评估其流行的强度并判断是否发出预警信号。此外，研究者还应用长短期记忆神经网络（long short-term memory，LSTM）模型对麻疹和流感的发病趋势进行预测，结果显示LSTM模型在预测麻疹和流感的发病趋势方面具有显著的预测效果，可用于麻疹和流感发病趋势的评估与风险分析[18-19]。LSTM模型的核心特点是在循环神经网络（recurrent neural network，RNN）的基础上，加入了细胞状态、记忆门和遗忘门等控制机制。当信息进入LSTM网络时，系统会依据特定规则判断其是否有用，符合标准的信息被保存，其余信息则通过遗忘门被排除；这种“一进二出”的机制有效解决了神经网络中的长期依赖问题[20]。与传统的监测方法（如固定阈值和时间序列分析）相比，LSTM在处理长序列数据、捕捉非线性关系以及自适应学习方面具有明显优势，可提供更精准、及时的预测与预警。

1.2 AI在传染病症状监测中的应用

传染病症状监测借助现代信息技术，对疾病症状进行实时监控与分析，旨在实现早期预警、及时响应以及有效干预[21]。相较于常规监测，症状监测通过实时数据采集，能够更早地发现疾病的暴发[22]。智慧化症状监测依赖于多元化的数据来源，包括医疗数据及非医疗数据[21]。医疗数据主要来源于电子病历、实验室检测和影像学检查，它们提供患者的病史、临床症状以及相关医学检查的结果；而非医疗数据则主要来自智能手机应用、可穿戴设备等数字平台，这些平台可以实时反映大众的健康状况和症状表现。整合这些多源数据可显著提升监测的全面性与准确性，但也增加了数据处理的复杂性。在信息爆炸的背景下，如何高效分析这些数据成为一大挑战。

随着AI和机器学习技术日益精进，自动化数据分析工具在医疗领域的应用愈加普遍。ABAT等[23]指出，借助自然语言处理等相关技术可实现医疗信息自动分析，以识别潜在的疾病信号；陈崇德等[24]提出的传染病症状赋值矩阵模型，依据症状监测原理，有效地对症状数据进行分类分析；欧阳丽炜等[25]提出的基于区块链的症状监测预警方案，结合机器学习算法，通过学习历史诊断数据集的疾病特征，对未知数据进行分类。对于已知疾病症状的监测模型，训练数据可细分为CT影像、电子病历、心电图以及网络直报数据等多种类型；而对于未知疾病，则可采用聚类模型、主成分分析、对抗网络等半监督或无监督学习方法进行异常监测。K均值（K-means）算法属于经典的聚类算法，其核心思想是将数据集划分为K个簇，使得簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不相似[26]。K-means算法通过实时动态聚类和多维度数据分析，能够快速识别传染病异常聚集及空间热点，突破了传统方法中依赖人工报告、固定阈值和单一维度的局限性。其无监督学习机制自动挖掘隐性关联，与大数据处理能力相结合，显著提升了预警时效与精准度。

症状监测的数据来源逐渐扩展至移动设备及其他数字平台，如智能手机应用和可穿戴设备等。LWIN等[27]开发的基于移动设备的流感样疾病监测系统（mobile-based influenza-like illness surveillance system，FluMob），通过主动收集分析健康工作者的症状数据，评估该系统在流感监测中的有效性。凭借持续累积的高质量症状数据，FluMob具备与AI深度融合的潜力，可进一步构建自适应预测模型，实现对流感及其他呼吸道传染病的早期精准识别和实时动态监测。 GABALDON-FIGUEIRA等[28]则开发了智能手机应用程序Hyfe咳嗽追踪器，通过卷积神经网络（convolutional neural network，CNN）模型对“疑似咳嗽声”进行“咳嗽”或“非咳嗽”分类，实现夜间咳嗽症状的监测，并对获取的数据开展时空聚集性分析。

症状监测数据在预警过程中可能存在较低的特异性，容易引发频繁的假阳性信号，进而削弱早期监测预警的有效性；此外，构建此类监测预警系统的成本高昂且分析技术复杂，这些因素限制了其在大规模应用中的推广[7, 29]；然而，随着AI技术的普及，智能化症状监测已成为公共卫生领域研究的重要发展方向。AI技术能够有效提升症状监测的效率与准确性，为传染病防控提供有力的支持。

1.3 AI在病媒生物、宿主动物和环境相关风险因素监测中的应用

随着全球气候恶化、城市化进程加快以及人类活动范围的扩大，病媒生物传播疾病的形势愈发严峻复杂。AI技术在监测和预警病媒生物及其宿主动物方面的重要性正日益凸显。通过运用数学模型、地理信息系统（geographic information system，GIS）等技术，整合气候、环境、宿主及媒介生物的数据，构建早期预警系统的能力已在多个领域得到有效验证，从而显著提升了兽医和公共卫生监测系统的效率[30]。

国内外研究者主要依据病媒生物密度、气象因素及病例发生情况等关键要素构建预警模型，并积极开展相关技术研究。例如，海南省的智能传染病主动监测预警系统为登革热的监测提供了可视化和分析支持，该系统可自动识别病例数量、伊蚊密度、气象因素以及其他关键指标的异常分布和变化趋势，其内置的“模型超市”汇聚传统方法（如固定阈值、移动百分位、ARIMA等）与AI算法（如支持向量机、XGBoost、LSTM等），支持用户按应用场景灵活选择最优模型并自定义分层预警阈值，实现精准、高效的智能监测与风险预警[31]。周毅彬等[32]通过构建蚊子叮咬指数模型，并结合气象数据，成功预测了蚊虫密度。他们将病媒生物与相关传染病的预测模型有效应用于实际场景。PILLAY等[33]所构建的transformer模型，以温度和降雨量作为预测因子，成功应用于非洲南部地区日常疟疾发病率的预测。TONKS等[34]提出了一种基于图神经网络（graph neural network，GNN）的时空感知模型，旨在预测伊利诺伊州西尼罗病毒的存在情况，帮助该州开展蚊虫监测与控制工作。GNN通过将数据表示为图结构，聚合邻近节点信息以更新节点特征，生成反映空间或关系依赖性的嵌入，从而有效处理不规则采样的地理空间情形。

多学科模型与大数据、云计算技术相互融合，提高了监测预警系统的效率与智能化程度。例如，在病媒生物监测方面，施亮等[35]通过深度学习算法快速识别并分类病媒生物，实现了对其的实时监测与预警。在宿主动物监测领域，AI能够实时分析动物健康数据，精准识别早期症状及行为变化，有效协助及早发现疫情并制定针对性的防控策略。此外，通过整合遥感技术与GIS，AI能够动态监测环境变化对病媒生物及宿主动物分布的影响，为决策提供坚实的科学依据。

1.4 AI在社会感知监测预警中的应用

社会感知是一个复杂且多维的过程，涉及个体与群体对外部社会环境的感知、认知以及相应的行为反应。在现代社会中，互联网监测手段显著提升了这种感知能力。互联网监测系统能够实时获取海量的公众搜索数据，通过深入分析这些数据，可以迅速、准确地反映疾病的传播态势。这些数据来源包括搜索引擎（如Google、百度、必应）、微信以及各大社交媒体平台（如微博和贴吧）等。分析模型和方法种类繁多，从简单的相关性、时间序列分析，到泊松线性回归、广义线性模型，以及季节性自回归集成移动（seasonal autoregressive integrated moving average，SARIMA）和ARIMA预测模型，再到机器学习、自然语言处理和神经网络[36]。ZHANG等[37]在研究流感疫情时，采用回归树模型并结合气候与互联网搜索数据，结果显示该模型可有效地捕捉流感疫情的动态变化。另一项研究中，ZHANG等[38]借助SARIMA模型结合互联网搜索数据的方式来追踪百日咳疫情，结果表明该模型得到的结果与观察值一致，并且在加入互联网搜索指标之后，其检测性能显著提升。XUE等[39]通过整合谷歌流感趋势（Google flu trends，GFT）数据与历史流感数据，构建了GA-BP神经网络模型，该模型在预测流感样病例方面展现出优异性能。GA-BP神经网络结合了遗传算法的全局优化能力与反向传播神经网络的局部优化特性，通过遗传算法优化初始权重和偏置，有效避免陷入局部最小值的问题，从而显著提升模型的收敛速度和预测精度。这种混合智能算法在处理复杂数据时展现出更强的鲁棒性和适应性，尤其在流感等传染病的活动预测中具有明显优势（详见表1）。MCCLYMONT等[36]回顾了最近10年的互联网监测研究，指出其在应对COVID-19疫情中的关键作用，特别是在快速获取疫情动态信息方面。未来的研究应致力于开发新技术及方法，从而更好地利用社会感知监测数据强化传染病监测预警能力。

本研究探讨了AI技术在传染病监测领域的多维应用，涉及现有传染病疫情报告管理系统、症状监测、病媒生物、宿主动物及环境相关风险因素监测，以及社会感知监测等四大方面，旨在为构建全面、高效、智能化的传染病监测预警体系提供坚实的理论基础。国家传染病智能监测预警前置软件的部署与实施，标志着AI技术在该领域已从理论探索迈向广泛应用与实践的新阶段。

展望未来，研究方向应聚焦于以下几个方面：一是整合多源数据，构建多模态智能监测系统，进一步提升监测预警的全面性和精准性；二是增强AI模型的可解释性和透明度，确保模型决策过程符合流行病学规律，提高公共卫生领域的信任度和应用价值；三是促进多学科合作与研究，打破学科壁垒，汇聚流行病学、数据科学、计算机科学等多领域的智慧，共同推动AI在传染病监测领域的深入发展，为全球公共卫生安全提供更有力的技术支撑。

夏胡,董晓欣.人工智能在传染病监测预警体系中的应用综述[J].中国卫生信息管理杂志,2026,23(1):106-113.