OHSEW框架：面向One Health监测、早期预警与响应的跨学科以人为本架构——融合AI建模与IoT环境监测

《Frontiers in Public Health》：Interdisciplinary human-centric architectural framework for One Health surveillance, early warning, and response: leveraging AI modelling and IoT environmental monitoring

　　

成功的疫情准备与可持续医疗安全日益依赖One Health（One Health，连接人类、动物与环境的框架）。来自社交媒体、网络、数字痕迹和物联网（IoT）传感器的新的实时地理定位数据源，与传统监测数据相结合，日益用于驱动人工智能（AI）模型并增强环境感知，这在One Health情境中对准备与响应至关重要。尽管数据流和感知数据丰富，AI与IoT环境监测用于One Health的潜力仍未实现。OHSEW（One Health Surveillance and Early Warning，One Health监测与早期预警）框架架构通过定义面向One Health监测、早期预警与响应的以人为本架构，利用AI建模与IoT环境感知，填补这一空白，尤其设计用于监测病媒传播疾病（vector-borne diseases, VBDs）、人兽共患病（zoonoses）以及其他感染性疾病环境储存库，这些情形下向人类群体溢出的风险较高。在OHSEW框架中，研究人员识别了丰富的多种异质性数据源以及用于改进监测、数据可视化和训练预测性AI模型的管线。这些数据包括开源人口与社会经济数据、土地利用、卫星遥感和天气预报，并由IoT环境感知（提供微气候数据流）和由公共卫生与环境健康专家报告的传统常规监测数据加以丰富。这些模型生成实时数据和可行动证据，供公共卫生管理者和政策制定者使用，通过可定制仪表板可视化，并提供早期预警信号，以实现快速响应和与公众的有效风险沟通。本文中，研究人员概述框架架构、各组件、数据管线以及可配置和可本地化设置。为证明该架构的可行性，OHSEW框架的组件在葡萄牙马德拉和巴西卡贝德洛两个地点的蚊虫监测系统真实世界部署中进行了试点。研究人员呈现这些真实世界部署的架构与结果，以说明OHSEW框架的可行性，并概述进一步研究方向。

论文解读：
研究背景与问题：One Health（One Health，人类-动物-环境关联框架）已成为大流行准备和可持续医疗安全的核心。世界卫生组织资料显示，全球新发传染病60%来自动物，近三十年检测到超过30种新的人类病原体，其中75%来源于动物。VBD（Vector-Borne Diseases，病媒传播疾病）占全部传染病的17%以上，每年造成超过70万死亡；热带地区由蚊虫传播的VBD估计达219 million病例，每年导致超过400,000死亡。气候变化、城市化和全球旅行进一步加剧VBD并提高溢出风险。AMR（Antimicrobial Resistance，抗微生物药物耐药性）被称为“慢大流行”，耐药感染每年与近5 million死亡相关。现有监测和EWS（Early Warning System，早期预警系统）依赖异质数据，但数据质量、时效与可靠性不同；EWS研究多采用回顾性验证，缺少粒度、实时报告工具和统一端到端架构，尤其LMIC（Low- and Middle-Income Countries，中低收入国家）缺少细粒度、实时、支持GPS的监测数据。因此，需要融合常规监测、新数据流、AI（Artificial Intelligence，人工智能）预测和IoT（Internet of Things，物联网）感知的One Health框架。

研究人员开展的研究、结论与意义：研究人员提出OHSEW（One Health Surveillance and Early Warning）框架，即面向One Health监测、早期预警与响应的以人为本、模块化、可本地化架构，包含六层：One Health数据源、通过联邦架构的数据集成、用于早期预警的时空与AI建模、基于组件的可配置仪表板、干预与控制措施、公众风险沟通与社区参与。框架旨在利用异质数据训练预测模型，支持决策、快速响应和风险沟通。为证明可行性，研究人员在葡萄牙马德拉和巴西卡贝德洛开展蚊媒监测真实世界试点，部署持续2年。结论认为该框架可行，可填补细粒度、实时、支持GPS的监测数据缺口，尤其适用于LMIC，并具有向其他病媒和疾病扩展的潜力。

关键技术方法（不超过250字）：试点来源包括Madeira, Portugal与Cabedelo, Brazil两个部署点；Madeira自2022年有超过36个月生产数据，Cabedelo自2024年有15个月数据、含11,576次物业检查；Recife, Brazil有2009–2017年历史数据；Madeira另有超过10年ovitrap（蚊卵诱捕器）阳性和蚊卵丰度及当地气象历史数据。技术包括定制移动应用模块（Ovitrap、Property、Laboratory、Gamification）、管理者仪表板、IoT水与气象传感器（Arduino、GSM、Heroku、MongoDB）、开源环境与气象数据、统计时空模型、贝叶斯时空INLA（Integrated Nested Laplace Approximation，积分嵌套拉普拉斯近似）、机器学习与深度学习、RNN（Recurrent Neural Network，循环神经网络）与LSTM（Long Short-Term Memory，长短期记忆网络）、OELM（Online Extreme Learning Machine，在线极限学习机）与OELM-RBFNN（Radial Basis Function Neural Network，径向基函数神经网络）、Spearman相关、热图可视化；评估采用precision、recall、F₁、RMSE、AUC等。

研究结果：
3 Pilot implementation—VBD mobile and IoT surveillance in Brazil and Madeira：通过巴西和Madeira蚊媒监测试点验证OHSEW可行性，仅部署Layer 1–4，Layer 5–6未要求。
3.1 Design and Implementation：VBD负担高但蚊控多手动、纸质、碎片化。研究人员在MEWAR、MOISS、MMSA项目中开发移动应用和仪表板；Madeira部署Ovitrap与Laboratory，Cabedelo部署Property与Manager Dashboard；IoT监测ovitrap微气候并实时上传。现场遇传感器故障、藻类、停电、通信中断、ovitrap翻倒等挑战。
3.2 One Health Data Sources：使用USGS植被、SRTM高程、GAI-PECD干旱、WorldPop人口与社会经济、WorldClim与OpenWeatherMap天气数据；移动应用替代纸质报告；IoT提供气象和水质参数；并获得Madeira历史数据和Recife历史数据。
3.3 Data Integration through a Federated Architecture：试点数据时空覆盖不同，由agent和manager清理并去除测试数据；因数据分库存放，试点未需联邦架构；2026–27扩展时正实施联邦架构与多租户数据库。
3.4 Spatiotemporal and AI Modelling for Early Warning：开发AI模型预测dengue、chikungunya、Zika；Madeira十年数据用气候驱动贝叶斯时空INLA，预测蚊群高峰提前2–6周，海拔、城市化、高树覆盖、季节温度和降水相关，降水4周滞后负相关。IoT数据Spearman分析显示气温、溶解氧、水温与蚊卵正相关；贝叶斯层次模型显示溶解氧关联最强（relative risk 3.28，95% CI 1.67–6.11）；RNN-LSTM预测precision为59.17%、recall为65.42%、F₁为58.97%。Recife用OELM与OELM-RBFNN预测高风险容器，测试准确率分别为82.87%与81.17%，水槽和轮胎最常见。实时app数据因时长和覆盖不足尚未用于AI建模。
3.5 Component-Based Configurable Dashboard：管理者仪表板支持过滤搜索、按agent或neighborhood查看、热图显示高风险与实验室卵计数，帮助优先高风险热点和调配人员。
3.6 Network of Networks for VBD Digital Surveillance scale-up：试点促成2025年3月与WHO和巴西卫生部启动VBD Digital Surveillance Network of Networks（NoN），目标扩展巴西多城市并与欧洲VBD网络整合，2026–2027支持数千agents。
3.7 Strengths and Limitations：优势为真实世界连续使用2年、技术成熟、用户反馈积极、模块化易定制，获Women in Tech Excellence Awards 2024新兴技术亚军，并进入2026 Prix Galien短名单。局限为Recife历史数据仅district级，IoT NNA准确度有限，因包含卵、幼虫、蛹及数据缺失；未来将扩大IoT和NoN数据整合。

讨论部分总结：
4.1 Strengths：优势包括跨学科、隐私、透明、数据标准化与互操作、通用性；由公共卫生和One Health专家主导，隐私通过开放数据框架和联邦架构内置，采用MESH/SNOMED CT、ICD、HL7/FHIR、OIE-WAHIS等标准；可扩展至蜱监测，流感/ILI（influenza-like illness，流感样疾病）监测组件和管线相同，但需公共卫生机构和InfluenzaNet等参与式应用。
4.2 Challenges and Limitations：挑战包括可解释性，不能是黑箱；监测伦理与数据滥用，如手机移动数据、COVID-19 proximity tracking、数据所有权与访问；噪声与错误信息，需谨慎使用社交媒体X并过滤低质量偏倚信息；Big Tech在健康中的角色及数据与AI主权；偏倚与公平数据伙伴关系，尤其Global North与South；需伦理治理和ethics-by-design。
4.3 Effective Deployment and Future Work：有效部署需国家投资基础设施、常规监测与能力建设；安全数据共享平台如EHDS（European Health Data Space，欧洲健康数据空间）；国家层面针对特定疾病开发模型可能是自然选择；欧洲仅8%成员国具AI愿景和健康战略，AI素养滞后，EHDS就绪度低，仅30%有二次使用和跨境共享指南；One Health多机构标准与互操作挑战大；未来研究包括数据流选择、标准协议、模型选择和仪表板组件定义。

研究结论翻译：大流行准备与全球健康安全依赖One Health——人类、动物与环境的相互作用。然而，利用丰富的实时地理定位数据源，并开发用于AI预测建模和IoT环境监测的定制应用与数字工具，且由常规监测数据训练和校准以满足One Health需求，仍未实现。在本研究中，研究人员提出OHSEW框架——一种面向One Health监测、早期预警与响应的以人为本架构，利用异质数据源进行AI建模和IoT环境监测，倡导开发和部署定制移动工具与IoT传感器组，以填补缺失的细粒度、实时、支持GPS的监测数据集，尤其是LMIC亟需的数据。该架构由六层组成并实现数据管线——One Health数据源、通过联邦架构的数据集成、用于早期预警的时空与AI建模、面向决策者的基于组件的可配置仪表板、干预与控制措施、公众风险沟通与社区参与。研究人员通过巴西和Madeira与用户共同部署2年的蚊媒监测真实世界试点，证明了框架可行性，显示其在真实世界环境中的潜力。