摘要
新兴媒介传播的兽源性疾病受气候变化、生物多样性丧失和土地利用变化的驱动。目前的监测体系仍呈碎片化，主要以被动应对为主，且往往对溢出事件发生前的风险信号缺乏感知。本文这篇叙述性综述探讨了人工智能（AI）与机器学习（ML）在整合地理参考数据和气候数据后，如何支持预测性的"同一健康"监测体系。以蜱传脑炎（TBE）和克里米亚-刚果出血热（CCHF）为案例研究，我们区分了传统统计模型、机器学习模型和深度学习应用所提供的证据。结合气候、土地覆盖和宿主变量的机器学习模型，在蜱类栖息地制图以及TBE和CCHF风险映射中展现了令人鼓舞的回顾性表现，而深度学习则主要应用于蜱类识别。然而，针对TBE和CCHF的人工智能证据仍然有限：专门针对这些疾病的研究较少，模型验证多为内部验证，尚无模型经过前瞻性评估，部分报告数据源自合成数据。因此，以AI驱动的针对这些疾病的"同一健康"监测体系的合理性，更多基于方法论的可行性，而非针对特定疾病的前瞻性证据。我们还讨论了验证实践、数据质量以及《欧盟人工智能法案》。如果能解决方法论、基础设施和监管方面的差距，人工智能有望推动从代价高昂的应急响应向经验证的预警体系转变。我们为研究人员、兽医、临床医生和政策制定者勾勒了优先事项。
