旅行健康AI推断何时可迁移？面向跨境疾病风险与决策支持的mobility-conditioned admissibility框架

《Travel Medicine and Infectious Disease》：When is travel-health AI inference transportable? Mobility-conditioned admissibility for cross-border disease risk and decision support

　　

背景：人工智能（artificial intelligence, AI）越来越多地用于传染病监测、旅行者风险评估、暴发预测和决策支持。旅行造成一种独特的可迁移性问题，因为人们在流行病学、地理、气候和医疗保健情境之间移动，而支持某一推断的条件可能迅速变化。

方法：这项概念性/理论性方法学研究以针对性叙述性综述为依据，该综述涵盖旅行医学、传染病监测、人类移动性、边境卫生、大规模集会、抗菌药物耐药（antimicrobial resistance, AMR）和健康AI验证文献。

结果：研究人员开发了一个移动性条件化可容许性（mobility-conditioned admissibility）框架，将旅行视为穿越起点、中转、目的地和返回机制的运动。解释以移动状态、流行病学机制、暴露史、时间依赖性约束以及临床或生物学约束为条件。保留了五种拟议操作状态：支持性推断（supported inference）、条件可迁移推断（conditionally transportable inference）、主动监测（active monitoring）、限制性解释（restricted interpretation）和暂缓输出（withholding）。该框架还区分低概率与不可行性，并要求保留罕见但流行病学可行事件。

结论：模型可用性和常规预测效度并不能确立在不断变化的旅行情境中的推断可迁移性（inferential transportability）。移动性条件化可容许性通过在被解释或发布输出之前使跨机制支持显式化，为旅行健康AI提供了一个补充性使用边界层（use-boundary layer）。其增量价值需要针对校准不确定性（calibrated uncertainty）、外部验证（external validation）和数据集偏移（dataset shift）监测进行前瞻性评估。

Adegoke O. Adefolalu 的这项概念/理论方法学研究关注旅行健康AI推断何时可跨移动与流行病学机制迁移。研究背景是：国际移动连接病原体循环、媒介生态、疫苗覆盖、AMR、监测能力、医疗可及性和人群易感性不同的流行病学环境；旅行医学跨变化暴露背景运行。GeoSentinel 已建立将旅行地点和时间与后续疾病关联的价值；AI也进入旅行医学，包括AI支持暴发检测、结合症状与目的地流行病学和潜伏时间的流感诊断机器学习（machine learning, ML）模型以及前瞻性数字监测。主要方法困难不是模型是否准确，而是旅行者、人群或流行病学过程移出模型开发或验证条件后，推断是否仍有效。人类移动性是传播决定因素，但移动数据在时间尺度、地理分辨率、代表性和普遍性上各异。旅行前模型可能在出发时校准良好，但新暴发、媒介适宜性变化、大型集会、额外中转、监测中断或目的地医疗约束会改变条件；返回后症状须按时间排序的暴露史解释。边境筛查证据缺口也存在。研究因此询问：AI支持的旅行健康推断何时可跨变化移动和流行病学机制迁移，何时应限制、监测或暂缓。框架受确定性系统智能（Deterministic Systems Intelligence, DSI）窄方法意义启发，即检查序贯系统当前状态是否足以支持特定推断或行动，而非假设所有输出同等可解释。其目的不是替代流行病学建模、ML、因果推断或常规验证，而是在解释AI结论前加入使用边界检查。研究提出四项贡献：将旅行视为移动性条件化流行病学状态序列；区分模型表现与推断可迁移性；形式化移动性条件化可容许性算子；提出五种解释状态。

方法上，研究人员开展针对性叙述性文献检索，在稿件开发期间进行，并于2026年9月8日修订更新。检索PubMed/MEDLINE和世界卫生组织权威来源，补充后向引文追踪及Journal of Travel Medicine与Travel Medicine and Infectious Disease针对性检索。概念组合AI、ML、传染病监测、旅行者、GeoSentinel、人类移动性、边境或入境点卫生、大型集会、返回旅行者、AMR、数据集偏移、外部验证和可迁移性。优先2019至2026年文献，保留早期旅行医学和方法学来源。纳入英文实证研究、监测报告、系统或范围综述、政策指南、方法或概念文章；无正式文章类型限制或研究级偏倚评价，因目的是概念综合。来源选择目的性和迭代，单作者完成且未独立重复筛选，研究承认此为叙述性方法局限。概念发展通过比较旅行医学反复出现的问题与既有AI验证概念，检查旅行前评估、旅行中监测、边境卫生、大型集会、返回旅行者评估和输入性AMR，并将每个场景映射到五种操作状态。该研究不是系统综述或meta分析，操作状态为概念类别，需前瞻性验证。

结果部分：3.1 旅行是机制转换过程，通过概念建模提出旅行者轨迹 M_i={O,T₁,…,T_k,D,R}，各状态含 R_t={E_t,V_t,S_t,H_t,P_t}；跨境不必然构成流行病学机制转换，同一目的地内暴发、集会、极端天气或监测恶化可改变状态；结论是需识别移动何时改变推断机制。3.2 预测准确性与可迁移性是不同问题，标准验证问 ?_t=f(X_t) 是否充分预测 Y_t，可容许性问 X_t∈A_t；模型仍可计算但不自动获得解释支持，信息完整而比较状态可能已不合适。4 移动性条件化可容许性定义 A_t=Φ(M_t,R_t,H_t,C_t,K)。4.1 移动状态涵盖起点、中转、目的地、继续旅行或返回，旅行目的和活动亦重要。4.2 流行病学机制包括发病率、暴发、媒介适宜性、变异株、AMR、疫苗覆盖和监测敏感性。4.3 移动与暴露史使解释路径依赖，具结构记忆。4.4 时间依赖约束中，潜伏期、暴露时长、季节、媒介活动、疫苗时间和返回后时间构成结构时钟。4.5 临床和生物学约束结合宿主因素、潜伏极限、传播途径、诊断证据和禁忌。5 可设想与可容许状态区分技术输出空间与可容许子集，低概率不等于不可行，须保留罕见输入或新发感染。6 操作状态包括6.1 支持性推断，即当前状态被模型支持条件充分代表；6.2 条件可迁移推断，即差异有界、明确且仍可解释，须记录限定；6.3 主动监测，即情境变化方向未明，输出暂定；6.4 限制性解释，即仅支持较窄主张；6.5 暂缓输出，即缺乏可辩护基础，不等于低风险或高风险，也不等于无风险。7 应用包括7.1 旅行前评估，检查目的地、时机、暴露、监测和旅行史与模型支持条件，新发暴发用主动监测，特征明确后可条件迁移；7.2 旅行中监测，实时症状、位置和环境信息对应主动监测，并随行程变化重评；7.3 边境和入境点决策支持，症状前感染可能或来源监测不完整时限制解释，若需排除感染则暂缓；7.4 大型集会，创建临时流行病学机制，目的地模型用于2015 Hajj等情境为条件可迁移，快速变化需主动监测；7.5 返回旅行者决策支持，完整行程且暴露时间与潜伏期兼容为支持性推断，中转或暴露时间不完整则限制解释；7.6 输入性AMR，本地耐药模型对近期境外医疗暴露未代表时暂缓耐药特异性建议；7.7 证据映射将场景映射到五状态，决策特定，情况变化须再评估。8 验证与可检验性包括8.1 罕见可行事件保留，测量过滤后保留独立验证的罕见可行事件并排除生物学或时间不兼容状态；8.2 机制转换再分类，比较机制变化前后释放状态；8.3 预测不确定性之外的增量价值，比较仅AI加不确定性同AI加可容许性，观察不支持外推、罕见事件保留、机制失败检测和不当建议预防；8.4 一致性与可重复性，测量评定者间和跨站点一致性并记录约束来源。9 数据质量、公平与移动性确定性风险指出数字移动数据非中性，手机可及性、设备、连接、平台参与和数据可得性存在系统差异；须区分低经验支持与低数据生成机会，监测不对称，缺乏报告不等于无暴露，旅行模式社会结构化，系统不应复制地理、社会经济或国籍偏倚。10 与现有AI验证和可迁移性概念关系中，外部验证、数据集偏移、校准、领域适应和因果可迁移性均相关，但可容许性不替代它们，而在使用前询问当前旅行者或人群状态是否仍兼容特定推断。11 与DSI关系中，该框架只取窄贡献，区分模型可表示状态空间与当前约束和历史支持的状态空间，并给出序贯系统、可设想状态空间、可容许状态空间、结构时钟、机制、机制转换、结构记忆、遮蔽、可容许一致性和HOLD的映射。12 研究议程提出回顾性旅行诊所数据集、前瞻性数字旅行者队列、暴发数据集、边境健康研究、大型集会监测以及比较专家定义、规则型和数据衍生可容许性结构。13 局限性包括叙述性综述单作者、选择偏倚可能；可容许性不总可观察；机制边界无普遍定义；过度约束可抑制罕见新发事件；移动性系统可能复制地理、社会经济或国籍偏倚；五种操作状态是治理词汇而非通用验证阈值；框架需实证检验。

讨论部分总结：该框架与外部验证、数据集偏移、校准、领域适应和因果可迁移性重叠但问题更窄，作为使用边界层而非替代品；不要求旅行医学被解释为强因果确定性系统，而是要求概率在流行病学可行状态集内解释；研究提出验证、公平、可重复性和研究议程，并强调需前瞻评估。研究结论翻译：旅行给人工智能带来独特挑战，因为支持和推断的条件会随个体和人群在流行病学环境间移动而改变。AI模型可在计算上保持功能，而活动旅行者状态已超出其输出可被自信解释的条件。移动性条件化可容许性通过将起点、中转、目的地、返回、流行病学机制、暴露史和生物学时间视为推断状态组成部分来处理该问题。该框架区分支持性推断与条件可迁移性、主动监测、限制性解释和暂缓输出。核心命题是模型可用性不确立推断可迁移性。在AI支持的旅行健康结论被行动前，相关问题是当前旅行者或人群状态是否仍在可辩护的流行病学比较空间内。该框架补充而非替代常规预测、校准、外部验证、传染病建模和临床判断。其价值取决于明确的移动性条件化可容许性能否在减少跨变化流行病学机制的不支持外推的同时保留罕见可行事件。