编辑：使用人工智能（AI）进行传染病监测及其在疫情和大流行预防中的作用

Medical Science Monitor | Editorial: Infectious Disease Surveillance...

摘要

人工智能（AI）或机器学习是一种古老的概念，基于人类思维和推理可以机械化的假设。AI技术已在诊断医学中应用数十年，尤其在图像分析和临床诊断领域。在新冠疫情期间，AI在基因组测序、药物疫苗研发、疫情爆发识别、疾病传播监测和病毒变种追踪中发挥了关键作用。AI驱动的方法可补充传统公共卫生监测等人工整理的体系。未来大流行的准备工作需要协作监测网络的共同努力，目前包括美国疾病控制与预防中心（CDC）的预测与疫情分析中心以及世卫组织（WHO）的大流行与流行病情报中心，这些机构将结合AI与国际合作实施监测计划。本文旨在更新AI在传染病监测和大流行准备中的应用与局限性。

正文

人工智能（AI）或机器学习是一种基于人类思维与推理可被机械化的古老概念。1950年，艾伦·图灵发表了关于机器如何"思考"的论文。自20世纪50年代以来，AI研究已成为哲学、数学、工程学、物理学和生物科学领域的成熟学科，并持续探讨其潜在用途和风险。近期，大型语言模型（LLM）或聊天机器人（如OpenAI于2022年11月发布的ChatGPT）的兴起引发了对其在教育、艺术、社交媒体和出版领域影响的担忧。然而，在《新英格兰医学杂志》近期发表的AI医学史文章中，Haug和Drazen强调了AI技术的实际重要性，特别是在图像分析和临床诊断中的应用优势。

新冠疫情期间，AI在基因组测序、药物疫苗研发、疫情爆发识别、疾病传播监测和病毒变种追踪中发挥了关键作用。临床医学中最早应用AI的领域之一是诊断性组织病理学，这依赖于对细胞和组织成分的模式识别以及可量化而非主观判断的免疫组织化学分析。图像分析方法在诊断性组织病理学中已应用40余年。然而过去十年，个性化或精准肿瘤学的发展需要预测性检测的支持，以选择最佳治疗方案，这推动了AI在组织病理学诊断中的应用。现在可以数字化组织全切片图像，利用AI识别细微的细胞组织特征和细胞生物标志物表达，从而提高恶性肿瘤、炎性疾病和传染病的诊断精度。AI图像分析还推动了监管批准的伴随诊断设备发展。

医院局部感染暴发通过追踪已识别的传播途径进行控制。医院通过本地和国家指南以及感染控制程序检测局部感染暴发。局部医院暴发检测可能需要人工审查患者记录和接触者追踪，过程耗时且难以实现早期发现和控制。全基因组测序可识别感染生物体的遗传相似性，但无法确定感染源和传播路径。2022年，Sundermann团队开发了"医疗相关传播增强检测系统"（EDS-HAT）。该系统将全基因组测序（WGS）监测与机器学习电子健康记录（EHR）数据结合，识别其他方法可能遗漏的暴发和传播途径。2016年11月至2018年11月期间，匹兹堡大学附属的9家医院应用该系统识别了医疗相关细菌病原体，阻止了多起暴发并检测到传播途径。该AI学习展示了如何利用电子病历指导临床算法关联感染。EDS-HAT研究发现，结合电子病历和全基因组测序的实时机器学习在研究地点预防了40%的医院感染，并能识别不同地点不同时期的相似感染。作者结论认为，使用EDS-HAT进行感染监测可节省医院成本并提升患者安全。

AI支持传染病监测方法识别病原体及其变种，实现最有效治疗或公共卫生措施的快速响应。然而，仅基于临床症状和体征（症候群数据）的监测数据可能不可靠。例如，新冠初始症状可能与鼻病毒、肠道病毒或流感病毒感染相似。传染病监测还包括抗生素耐药性检测。与组织病理学图像分析类似，AI图像分析已应用于确定抗生素耐药性。微生物药敏纸片扩散试验判断细菌对抗菌药物的敏感性但依赖主观分析。感染监测包括识别细菌对抗菌药物的敏感或耐药状态。自动化读取设备对预算有限的实验室可能过于昂贵。AI算法现可通过纸片图像处理算法确定所需抗生素类型并测量生长抑制区。结果可自动发送至世卫组织全球抗菌素耐药性监测系统。

新冠疫情迅速全球蔓延，需要各种公共卫生工具快速响应，包括用于传染病监测的新旧AI解决方案。经验表明，AI可用于感染预警系统、新疾病暴发检测、流行病追踪与预测以及医疗资源分配。从新闻、本地报告和在线发布的感染疫情信息产生的健康通信量过于庞大，流行病学家团队难以分析。然而，AI算法和分析可用于追踪具有大流行潜力的新兴病原体。例如，互联网基础的传染病监测系统HealthMap（www.healthmap.org）十余年来持续识别新兴传染病暴发，包括甲型流感（H1N1）。HealthMap实时使用超过九种语言的持续扩展词典提取地理数据，关联多份报告识别全球不同地区公共卫生部门可能遗漏的传染病聚集。2019年12月30日，即首次发现SARS-CoV-2引发的新冠病例后数天，HealthMap就发出了"未知病因肺炎聚集"警告。

新冠疫情中，人群层面的流行病学指标对跨国无症状旅行者中SARS-CoV-2真实流行率的预测价值有限。不同国家人群的感染风险特征也存在差异。2021年，Bastani团队报告了希腊2020年开发的强化AI学习系统Eva。该系统在2020年夏季希腊边境部署，减少无症状SARS-CoV-2感染者数量。由于检测资源有限，Eva根据人口统计数据和既往旅行者检测结果为入境希腊旅客分配感染风险。该AI风险预测方法识别的无症状感染者是随机检测的1.85倍。边境控制政策是传染病监测的重要组成部分，需要分析人群层面指标。Eva是首个将强化学习和可适应改进的实时数据应用于疫情期间公共卫生保护的案例。

因此，AI驱动的方法可补充包括传统公共卫生监测的人工整理体系。临床医学领域AI在不断发展。尽管存在诸多局限和担忧，AI在诊断和传染病监测方面可能带来最显著的医学益处。AI方法可帮助从症状报告、社交媒体发帖、医疗接触和电子健康记录中识别疫情暴发。被动式AI监测可用于识别药物和非药物干预措施依从性缺失，包括面部识别算法监测戴口罩合规性。面部识别算法还可监测人群移动和社交距离。

2022年，基于台湾国家健康保险研究数据库（NHIRD）进行了机器学习/AI研究。该研究旨在识别83,227例住院患者的流感样疾病病因及其年龄、性别和19种共患病的影响。研究进行了重症和患者死亡风险分析，支持AI/机器学习在新发传染病暴发中的作用。基于决策树分析的预测模型在预测流感样疾病严重性方面与深度神经网络模型相当。该研究支持机器学习/AI决策树可用于流行病各阶段临床决策和医疗资源分配。

然而，AI在传染病监测中的应用存在诸多局限和担忧，AI疾病追踪系统必须辅以分子检测。随着新病原体变种出现和疫苗接种等因素改变人口特征和疾病表现，需持续重新校准AI监测系统。这些AI系统永远不会完全准确，可能产生误报或漏报重要流行病信号。基于低质量数据的AI和机器学习算法可能导致误导性结论或有害临床建议，因系统性数据选择偏差或特定人群代表性不足。例如，美国新冠死亡数据分析显示，监测数据库中种族信息编码不足导致黑人和西班牙裔患者死亡率差异，某些情况下死亡率低估达60%。

数据隐私是AI在传染病监测中的重大问题。现在更多人使用可穿戴健康技术、联网健康设备和智能手机，这些可能连接开放社交媒体。随着个人与数字世界的互动增加，隐私保护应成为优先事项。一种建议的控制方法是AI驱动的隐私保护技术或联邦学习，可用于智能手机。联邦学习确保参与者数据保留在各自设备上，避免集中存储数据带来的隐私风险。

未来很可能出现新的传染病大流行。新冠疫情经验表明，尽管AI可为传染病监测做出贡献，但仍无法替代预防和应对新发传染病所需的跨司法辖区集体智能。未来大流行准备需要协作监测网络的共同努力，目前包括美国疾病控制与预防中心预测与疫情分析中心以及世卫组织大流行与流行病情报中心，这些机构将结合AI与国际合作实施监测计划。

结论

AI现已成为医学各领域的成熟技术。其局限性和隐私担忧应通过制定使用指南加以解决。新冠疫情和传染病暴发凸显了该技术的重要性。未来传染病监测的发展将包括量子计算、生物传感器、增强智能和大型语言模型等新兴技术，这些技术可分析大量非结构化文本、简化劳动密集型流程，并识别新发传染病趋势。

【全文结束】