编辑推荐：
研究人员探讨 AI 在公共卫生监测中的应用，发现其潜力巨大但存挑战，需多方协作应对。
在当今数字化时代，疾病的爆发和传播犹如一场没有硝烟的战争，时刻威胁着人类的健康和安全。传统的疾病监测手段在面对复杂多变的疫情时，往往显得力不从心。而人工智能（Artificial Intelligence，AI）的出现，就像是给这场战斗带来了新的 “武器”，让人们看到了更高效监测疾病的希望。但如同任何新事物一样，AI 在疾病监测领域的应用也并非一帆风顺，存在着诸多问题，比如数据隐私难以保障，不同地区数据差异导致的算法偏见，以及人和 AI 协作不畅等。为了深入了解 AI 在公共卫生监测中的应用，探索其发展道路，来自世界卫生组织枢纽大流行和流行病情报创新论坛、波士顿儿童医院、悉尼大学等多个机构的研究人员展开了研究。相关成果发表在《BMC Proceedings》上。
研究人员主要运用了自然语言处理（Natural Language Processing，NLP）、机器学习算法等技术。通过分析大量公开数据、实际案例，以及不同机构在 AI 应用中的经验，来探究 AI 在疾病监测中的表现。
早期：AI 与临床医学
医疗领域任务繁琐，处理大量临床信息耗时费力。AI 模型在临床医学中发挥着重要作用，它能在后台辅助医疗服务，助力临床决策。例如，语音和语言处理技术让医患对话更自然，相关信息还能自动录入电子病历。同时，AI 可以分析海量临床数据，快速筛选潜在新药候选物，缩短研发周期。而且，AI 生成的合成数据集在保护数据隐私的同时，方便数据共享，为感染控制和疫情情报分析提供支持。将临床实践中的策略和技术应用到公共卫生系统，有望提升其效率和效果。
AI 在传染病监测中的应用
波士顿儿童医院研究团队长期致力于 NLP 模型在临床医学的应用。希腊政府在新冠疫情期间，利用 AI 对入境旅客进行风险分类，合理分配检测资源，优化疾病防控工作。波士顿儿童医院也借助 AI 分析疫情对社区的影响，在儿科感染高峰期，提前预测感染趋势，帮助医院做好应对准备。此外，遵循 “同一健康” 理念，塞内加尔的谢赫?安塔?迪奥普大学开展项目，融合多源数据，利用 AI 早期监测和预防人畜共患病。
AI 在数据提取方面的能力
波士顿儿童医院多年来挖掘在线公开数据，从非结构化数据中获取公共卫生信息。HealthMap 利用关键词扫描和分类系统收集传染病信息，而大语言模型的出现，让数据提取和分析效率大幅提升。悉尼大学研究团队则专注于信息监测中的 NLP 应用，针对社交媒体数据获取难题，开发新方法评估人们的信息消费情况。
利用 AI 加强公共卫生监测
无国界医生组织（Médecins Sans Frontières，MSF）开发的 “Antibiogo” 智能手机应用，利用 AI 帮助资源匮乏地区解读抗菌药敏试验（Antimicrobial Susceptibility Test，AST）结果，辅助临床治疗决策，并为国家抗菌药物耐药性监测系统提供数据。不同国家根据自身需求，AI 在诊断中的作用也有所不同，有的用于辅助实验室诊断，有的用于优化资源配置。
AI 能否促进公共卫生领域的多学科融合和公平性？
AI 的发展为全球健康领域带来变革，它能提升预测建模、决策支持能力，促进多学科融合，推动健康公平。全球南方 AI 促进大流行和疫情防范与应对网络（Global South AI for Pandemic & Epidemic Preparedness & Response network，AI4PEP）汇聚 16 个国家的力量，利用 AI 改善健康公平，加强公共卫生系统。谢赫?安塔?迪奥普大学的项目基于多学科和公平原则，借助 AI 建立以社区为导向的疾病监测机制。
负责任使用 AI 的未来方向
AI 应用需要建立明确的框架，遵循问责、公平、透明等原则。在利用 AI 提升监测能力时，要注重保护个人数据，像 Global.health 项目，通过聚合匿名病例数据，为疾病监测提供支持。在采用 AI 技术前，要严格评估其潜在影响，确保算法无偏见、实施过程包容。同时，要认识到大语言模型存在局限性，不能盲目依赖，应结合实际情况合理使用。
研究表明，AI 在疾病监测领域潜力巨大，但也面临诸多挑战。为了更好地发挥 AI 的作用，需要多学科协作，让社区参与其中，设计更包容的 AI 系统。建立健全的治理框架至关重要，它能确保 AI 技术公平、安全、可持续地发展。只有这样，才能让 AI 真正成为提升全球公共卫生水平的有力工具，保障人类健康。
